RISET OPERASI
i
RISET OPERASI
Penerbit :
Anggota IKAPI
No. 428/JBA/2022
ii
RISET OPERASI
Penulis :
Lulut Alfaris, M.T., Dudih Gustian, M.Kom., Retno Setyorini, S.T., M.M.,
Ikhsan Romli, S.Si, M.Sc., Anggi Yhurinda Perdana Putri, M.Kom.,
Silvester Adi Surya Herjuna, S.T.I.P.P., Nur Syamsiyah, ST., MTI..,
Yuniansyah, M.Kom., Nurul Aziza, MT., Aldi Cahya Muhammad,
M.Sc.Engg., Najirah Umar., Muhammad Wali
Redaksi :
Jl. Antapani VI, No 1B, Ankid, Antapani, Bandung 40291
Telp/Faks: (022) 20526377
Website: www.indiepress.co.id |E-mail: admin@indiepress.co.id
Cetakan Pertama :
30 Juli 2022
Ukuran :
iii, 150, Uk: 15,5 x 23 cm
iii
KATA PENGANTAR
Editor
iv
DAFTAR ISI
v
7.1 Model Transportasi (Transportation Model) ...................................... 66
7.2 Ketidakseimbangan Model Transportasi ............................................. 69
7.3 Metode Pemecahan ....................................................................................... 71
Bab 9. Metode Sistem Pendukung Keputusan ............................................ 87
9.1 Sistem Pendukung Keputusan .................................................................. 87
9.2 Simple Additive Weighting .............................................................................. 88
9.3 Studi Kasus Penilaian Dosen Berprestasi ............................................ 90
Bab 10. Metode CPM/PERT .............................................................................. 95
10.1 Pendahuluan ................................................................................................. 95
10.2 Konsep CPM dan PERT dalam Manajemen Proyek ........................ 96
10.3 Pengertian CPM ........................................................................................... 97
10.4 Pengertian PERT .......................................................................................... 98
10.5 Simbol-simbol yang digunakan .............................................................. 99
10.6 Perhitungan Waktu Proyek .................................................................. 102
10.7 Perhitungan Waktu Tenggang (Float/Slack) dan Jalur Kritis . 106
Bab 11. Markov Model ..................................................................................... 108
11.1 Pendahuluan .............................................................................................. 108
11.2 Proses Stokastik ........................................................................................ 109
11.3 Basic Markov Model ................................................................................ 110
11.4 Hidden Markov Model ............................................................................ 111
11.5 Algoritma pengembangan Hidden Markov Models .....................116
Bab 12. Metode Langkah Maju Dan Metode Langkah Mundur ...... 121
12.1 Mesin Inferensi .......................................................................................... 121
12.2 Metode Langkah Maju ( Forward Method) .................................... 122
12.3 Metode Langkah Mundur (Backward Methode) .......................... 126
Bab 13. Teori Game ..................................................................................................131
13.1 Mengenal Teori Game .............................................................................. 131
13.2 Klasifikasi Game ........................................................................................ 132
13.3 Jenis Teori Game .............................................................................................133
13.4 Metode Game Teori .....................................................................................135
13.5 Game di masa datang .............................................................................. 137
vi
Bab 1. Pengenalan Riset Operasi
1
yang ada hubungannya dengan lautan. Analisis gerakan zig-zag
dari kapal juga dihitung untuk menghidari kapal selam.
Selain dalam bidang militer seperti diatas, sejarah riset
operasi juga ditemukan dalam bidang ekonomi. Pertama kali
diperkenalkan oleh Ford Whitman Harris pada tahun 1915
menganalisis terkait model dan ukuran persediaan ekonomis.
Pada tahun 1917 M, formula waktu antrian (queueing theory)
yang dikembangkan berdasarkan prinsip-prinsip statistik
diperkenalkan oleh matematikawan dan insinyur Denmark,
Agner Krarup Erlang. Pada tahun 1924, Walter Shewhart,
menggunakan statistik inferens dalam pengembangan teknik
pemeriksaan sampling yang berhubungan dengan pengawasan
kualtas. Awalnya riset operasi adalah suatu metode pengambilan
keputusan yang dikembangkan dari studio operasional pada
Perang Dunia II. Pada masa awal PD II, pemimpin militer Inggris
memanggil sekelompok para ahli dari kalangan sipil dari
berbagai disiplin ilmu dan mengkoordinasi mereka ke dalam
kelompok untuk diserahi tugas untuk mencari cara efisein untuk
menggunakan alat yang baru ditemukan yakni Radar (Radio
Detecting and Ranging) dalam suatu sistem peringtaan dini dalam
menghadapi serangan udara.
Kelompok ini melakukaan riset pada operasi-operasi militer.
kemudian Robert dan William mengembangkan system
komunikasi untuk Angkatan Udara Kerajaan Inggris. Pendekatan
Riset Operasi ini sangat berhasil dalam memecahkan masalah
operasi konvoi, operasi kapal selam, strategi pengeboman dan
operasi pertambangan. Riset Operasi ini kemudian disebut seni
memenangkan perang sebelum perang. Kesuksesan tim riset
operasional ini kemudian disebut sebagai peneliti operasional
militer yang mengaplikasikan Riset Operasi pada operasi
pertahanan nasional. Teknik yang dikembangkan memasukkan
ilmu politik, matematika, ekonomi, teori probabilitias dan
statistik.
2
Dalam perkembangan Riset Operasi selanjutnya pada tahun
1947, George Bernard Dantzig mengembangkan metode simpleks
untuk memecahkan masalah linear programming. Disamping itu
banyak peralatan Riset Operasi seperti linear programming,
dynamic programming, teori antrian dan teori pengendalian
persedian telah dikembangkan sebelum akhir tahun 1950an.
Sejak 1951, Riset Operasi diaplikasikan mulai diterapkan di dunia
industri di Amerikaa dan Eropa.
3
cermat terkait solusi yang dipergunakan dan hubungannya
dengan realita.
4
dalam sistem tidak selalu bersifat linear, tetapi bisa juga bersifat
memutar (circular), saling mengunci (interlocking. Dinamika
sistem mempelajari bagaimana komponen-komponen itu
membentuk suatu dinamika perilaku suatu sistem. Teori sistem
bisa diterapkan baik itu di bidang ilmu alam maupun juga bisa
dikembangkan di ilmu social.
Perkembangan teori sistem dimulai sekitar tahun 1945an
dimana seorang Jerman yang bernama Ludwid von Bertalanffy
memjelaskan fenomena sistem yang ada diberbagai bidang ilmu,
dimana tema tersebut dipublikasikan dalam bentuk karyanya
yang berjudul “General System Theory”. Selanjutnya ditahun
1948, Norbert Wiener dan Ross Ashby mempublikasikan karya
“Mathematical Theory of The Communication and Control Systems
through Regulatory Feedback”, yang menjelaskan terkait aspek
penting dari adanya umpan balik pada suatu sistem.
René Thom dan E.C. Zeeman mengembangkan Teori
Catastrophe. Teori Catastrophe yang juga merupakan dari cabang
matematika ditemukan oleh Rene dan Zeeman yang mampu
menjelaskan fenomena dari pencabangan dua suatu sistem yang
sifatnya dinamis. Fenomena yang mengalami perubahan perilaku
mendadak karena adanya perubahan kecil pada situasi tertentu
juga dijelaskan oleh teori catastrophe ini.
Teori chaos mulai dikembangkan pada tahun 1980an. Teori
Chaos merupakan teori matematika yang berhubungan dengan
sistem dinamis nonlinear yang menjelaskan fenomena
pencabangan dua (bifurcations), penarik asing (strange
attractors), dan gerakan tak beraturan (chaotic motions). Teori
chaos, dalam matematika dan fisika, berhadapan dengan sifat
dari sistem dinamika tak linear tertentu yang (dalam kondisi
tertentu) menunjukkan fenomena yang dikenal sebagai chaos.
Contoh sistem ini adalah atmosfer, tata surya, lempeng
tektonik, turbulensi fluida, ekonomi, dan pertumbuhan populasi
(Moon,1992).
5
Pada ilmu matematika dan fisika , dinamika nonlinear atau
teori chaos menjelskan terkait perilaku sistem dinamika
nonlinear tertentu yang menunjukka dinamika sensitive
terhadap kondisi awal (disebut juga sebagai efek kupu-kupu).
Sebagai hasil dari sensitivitas ini, yang mewujudkan diri sebagai
pertumbuhan eksponensial usikan kondisi awal, perilaku sistem
chaotic muncul secara acak (random). Hal ini terjadi meskipun
sistem ini adalah sistem deterministik, yang bermakna bahwa
dinamika masa depan secara penuh ditentukan oleh kondisi awal,
tanpa elemen acak yang terlibat. Perilaku ini dikenal sebagai
chaos deterministik, atau sederhananya chaos (Beishon, 1976).
Complex adaptive system (CAS) merupakan sistem yang
terdiri dari dua karakteristik, yaitu kompleks dan
berkemampuan untuk beradaptasi. Suatu sistem dikatakan
mampu beradaptasi jika mampu menghasilkan prosedur yang
memungkinkan komponen-komponennya untuk menyesuaikan
diri atau beradaptasi secara efisien di lingkungan yang berbeda
(Holland, 1962).
6
tujuan forecasting. Secara umum model ini bisa
menggambarkan peristiwa statistik. Contoh model ini adalah
histogram.
2. Analogue Model
Model Analogue terlihat lebih abstrak dibandingkan dengan
model iconic, karena visualisasinya tidak sama antara model
dengan sistem nyata. Model analogue bisa menggambarkan
situasi yang dinamis, sehingga lebih banyak dipergunakan
karena mampu untuk menganalogikan sifat karakteristik serta
mampu menunjukkan ciri-ciri sistem nyata yang akan
dipelajari. Contohnya Peta kontur dengan bermacam warna
karena menunjukkan topografi bumi.
3. Mathematic Model
Model ini menggunakan simbol matematik untuk
menunjukkan komponen-komponen dan hubungannya
dari sistem nyata. Model matematika digolongkan menjadi
menjadi dua kelompok, yaitu deterministik dan probabilistik.
Model ini membutuhkan penyederhanan dari relatitas,
sehingga meskipun terdapat sistem yang rumit maka dapat
dianalisa dan sehingga bisa diketahui suatu komponen sistem
dengan baik. Adapun prosedur untuk membuat model menjadi
lebih sederhana ialah bisa dengan tahapan sebagai berikut :
a. Melinierkan dari suatu relasi yang tidak linier
b. Mengurangi variabel
c. Mengubah sifat variabel
d. Mengubah dari tujuan ganda menjadi tunggal
e. Membuat model menjadi statistik
f. Mengasumsikan menjadi nilai deterministik
Untuk mencapai fungsi esensi dalam riset operasi maka
ketepatan model merupakan hal yang sangat penting, sehingga
dengan cara tersebut akan dihasilkan suatu solusi. (Solberg,
2000) telah membuat sepuluh prinsip dalam pembentukan
model:
7
1) Model haruslah yang mudah
2) Perumusan masalah secara tepat yang disesuaikan dengan
teknik penyelesaian
3) Model harus benar dan sesuai kaidah matematika
4) Memastikan model sesuai dan cocok
5) Model harus benar dan jangan sampai sampai keliru
dengan sistem nyata
6) Membuat model sesuai dengan yang diharapkan
7) Hati-hati dengan model yang terlalu banyak
8) Pembentukan model harus memberikan manfaat
9) Nilai dari suatu model tidak lebih baik dari suatu data
10) Model tidak bisa menggantikan dalam pengambilan
keputusan
4. Teknik Riset Operasi
Berikut ini terdapat beberapa teknik teknik riset operasi,
yaitu:
a. Linier Programing
Linier programming adalah Teknik untuk untuk
menyelesaikan permasalahan riset operasi dengan suatu
model matematis yang di gunakan untuk menggambarkan
masalah yang ada dengan mengubah menjadi fungsi linier
(Hillier dan Lieberman, 2002). Terdapat 2 fungsi Linier
Programming; Fungsi Tujuan dan Fungsi Kendala. Fungsi
Tujuan , menginterpretasikan tujuan yang ingin dicapai
dengan menggunakan sumber daya yang ada. Sedangkan
fungsi kendala , menginterpretasikan kendala yang dihadapi
dalam relasinta untuk mencapai mencapai. Dalam linear
programming kendala yang akan dihadapi terdiri dari lebih
dari satu.
b. Metode Dualitas
Teknik untuk menyelesaikan riset operasi masalah secara
langsung dari persoalan aslinya.
8
c. Metode Transportasi
Metode ini dipergunakan untuk mengatur pendistribusian dari
sumber ke tempat yang membutuhkan dengan optimal.
d. Metode Simpleks
Metode ini bersifat matematis yang menyelesaikan masalah
secara dasar ke permasalahan dasar lain secara berulang,
sehingga didapatkan hasil akhir yang optimal.
e. Teori Jaringan Kerja
Merupakan Teknik penggabungan dari dua Teknik analisis
yanni Critical Path Method (CPM) dan Project Evaluation and
Review Technique (PERT) untuk merencanakan, penjadwalan
dan pengambilan keputusan terhadap proyek.
9
Bab 2. Linier Programming
2.1 Pengertian
Linear Programming (LP) merupakan salah satu teknik
optimisasi yang paling sering digunakan serta merupakan teknik
yang efektif berbagai perusahaan. Linear Programming ialah cara
kerja optimisasi dari suatu masalah, dimana Objective Function
(fungsi tujuan) dan Constraint (pembatas) bersifat linier. Metode
ini diterapkan dalam perusahaan digunakan guna memaksimasi
keuntungan yang mempertimbangkan berbagai pilihan input dan
keterbatasan kapasitas produksi (Sapti Aji et.al, 2014).
Linear programming merupakan metode matematis dalam
pengalokasian sumber daya yang terbatas guna mencapai tujuan
dalam memaksimumkan keuntungan serta meminimasikan
biaya. Metode ini banyak diterapkan dalam masalah ekonomi,
industri, militer, social dan sebagianya. Selain itu metode ini
berkaitan dengan penjelasan suatu kasus dunia nyata sebagai
model matematis yang terdiri dari sebuah fungsi tujuan linear
dengan beberapa kendala linear (Siringoringo, 2005). Metode ini
mempunyai tiga unsur utama (Imbas, 2014), yaitu :
1. Variabel keputusan, adalah variabel persoalan yang
mempengaruhi nilai tujuan yang di capai. Didalam proses
pemodelan, penemuan variabel keputusan tersebut harus
dilakukan terlebih dahulu sebelum merumuskan fungsi tujuan
dan kendala – kendalanya.
2. Fungsi tujuan, dalam model pemograman linear tujuan yang
hendak dicapai harus diwujudkan kedalam sebuah fungsi
matematika linear. Selanjutnya, fungsi ini dimaksimumkan
atau diminimumkan terhadap kendala – kendala yang ada.
Beberapa contoh tujuan yang hendak dicapai oleh pabrik
10
manajemen adalah maksimasi laba perusahaan, minimasi
biaya distribusi, dan lain sebagainya.
3. Kendala fungsional, berbagai kendala yang dihadapi untuk
mencapai tujuan-tujuannya.
11
1. Bentuk Matematis
Dalam LP dapat direpserentasikan ke dalam bentuk matematis
pada set maksimum dan minimum, dimana keduanya terjadi
perbedaan pada tanda batasannya. Untuk set maksimum
kondisi digambarkan pertidak samaan ≤, (kurang dari),
sedangkan untuk minimal digambarkan dalam bentuk.
Maksimumkan z = c1x1 + c2x2 + …… + cnxn
Pertidaksamaan ≥ (lebih dari) berdasarkan pembatas :
a11x1 + a12x2 + …..+ a1nxn ≤ b1
a21x1 + a22x2 + …..+ a2nxn ≤ b2
.
.
am1x1x1 + am12x2 + …..+ amnxn ≤ b2
X1 ≥ 0, X2 ≥ 0, ………. Xn ≥ 0
.
am1x1x1 + am12x2 + …..+ amnxn ≤ b2
(Maswarni et.al, 2019).
Contoh kasus 1 :
1. Suatu perusahaan menghasilkan dua produk barang yaitu
meja dan kursi, dimana terbagi melalui dua bagian fungsi:
perakitan dan pemolesan. Untuk bagian perakitan tersedia 60
jam kerja, pemolesan 48 jam kerja. Dimana guna
menghasilkan 1 meja diperlukan 4 jam kerja perakitan, serta 2
jam kerja pemolesan, sedangkan utk menghasilkan 1 kursi
diperlukan 2 jam kerja perakitan serta dan 4 jam kerja
pemolesan.
12
Keuntungan dari setiap meja dan kursi yang dihasilkan ialah
Rp. 80.000 dan Rp. 60.000,- Berapa jumlah meja dan kursi
yang optimal dihasilkan?
Penyelesaian :
Tabel 2.2 Perumusan persoalan dlm bentuk table kasus 1
Proses Waktu yang Total jam
dibutuhkan per unit tersedia
Meja Kursi
Perakitan 4 2 60
Pemolesan 2 4 48
Laba/Unit 80.000 60.000
13
d. Kendala pada proses perakitan:
Utk menghasilkan 1 buah meja diperlukan waktu 4 jam dan
untuk menghasilkan 1 buah kursi diperlukan waktu 2 jam pada
proses perakitan. Waktu yang tersedia adalah 60 jam.
4M + 2K 60
e. Kendala pada proses pemolesan:
Untuk menghasilkan 1 buah meja diperlukan waktu 2 jam dan
untuk menghasilkan 1 buah kursi diperlukan waktu 4 jam
pada proses pemolesan. Waktu yang tersedia adalah 48 jam.
2M + 4K 48
f. Kendala non-negatif:
Meja dan kursi yang dihasilkan tidak memiliki nilai negative.
M 0
K 0
Laba = 8M + 6K
14
Pada A: M = 0, K = 12
Laba = 6 (12) = 72
Pada B: M = 12, K = 6
Laba = 8(12) + 6(6) = 132
Pada C: M = 15, K = 0
Laba = 8 (15) = 120
Keputusan:
M = 12 dan K = 6
Laba yang diperoleh = 132.000
15
Tabel 2.3 Perumusan persoalan dlm bentuk table kasus 2
Pekerjaan Jam kerja proses/ unit Total
Waktu/Menit
Sepatu Sandal
Pengunting 8 6 480
Penghapusan 4 2 200
Profit per Unit 10 8
16
rumuskan. Fungsi kendala II : 4X1 + 2 X2 ≤ 200 (Fungsi
kendala proses penghalusan) Syarat dalam program linier
adalah dalam berproduksi X1 dan X2 tidak ada jumlah negatif.
Artinya bahwa X1 ≥ 0 (jumlah sepatu yang diproduksi adalah
lebih besar atau sama dengan nol) X2 ≥ 0 (jumlah sandal yang
diproduksi adalah lebih besar atau sama dengan
nol)dirumuskan:. X1 ≥ 0 (kendala non negatif pertama) X2 ≥ 0
(kendala non negatif kedua).
Langkah 2. (Pembuatan Fungsi Kendala kedalam Grafik)
Dalam menggambarkan fungsi ke dalam grafik, seperti yang
sudah dipelajari sebelumnya adalah menentukan titik potong
garis pada sumbu X dan sumbu Y. Suatu garis akan memotong
salah satu sumbu apabila nilai variabel yang lain sama dengan
nol. Dengan demikian kendala pertama akan memotong X1,
pada saat X2 = 0, demikian juga kendala ini akan memotong X2,
pada saat X1 = 0, dapat ditentukan seperti di bawah ini:
Kendala I: 8X1 +6 X2 = 480.
Tabel 2.4 Sumbu X2 (0, 80). Kendala II: 4 X1 + 2 X2 = 200
8X1 + 6X2 = 480
X1 0 60
X2 80 0
17
Gambar 2.2 Grafik 1 Contoh Kasus 2 LP Metode Grafik
18
8X1 + 600 - 12 X1 = 480
-4 X1 = 480 - 600
- 4 X1 = - 120
X1 = 30
Substitusikan nilai X1=30 ke dalam salah satu fungsi : 4 X1 +
12X2 = 200
4 (30 ) + 2X2 = 200
120 + 2X2 =200
2X2 = 200 -120
2X2 = 80
X2 = 40
Dari perhitungan diatas diketahui kedua persamaan
berpotongan pada titik B yaitu (30, 40). Tanda ≤ pada kedua
kendala artinya ada area sebelah kiri dari garis kendala.
Seperti gambar2.4 di atas.
Titik A = (0; 80),
Titik B (30; 40),
Titik = C (50; 0).
Selanjutnya adalah mencari keuntungan maksimum dengan
salah satu cara adalah dengan menentukan dari titik sudut
yang memungkinkan. Menentukan keuntungan dengan
melihat titik sudut (corner point) yaitu dengan mencari nilai
atau jumlah tertinggi dari beberapa nilai yang mungkin pada
area layak (feasible region). Dari grafik 2.4, dapat dilihat
bahwa ada 3 titik yang merupakan area layak: (A.B dan C)
yaitu:
A (0, 80),
B (30, 40),
C (50, 0)
Lalu mensubsitusikan masing masing nilai tersebut fungsi
tujuan:
Z =10X1 +8X2.
Nilai A (0; 80) yaitu (10 X 0) + (8 X 80) = 640.
19
Nilai B (30; 40) yaitu (10 X 30) + (8 X 40) = 620
Yang merupakan Keuntungan maksimum.
Nilai C (50; 0) yaitu (10 X 50) + (8 X 0) = 500.
Dari hasil diatas didapat hasil paling tinggi adalah pada titik B,
Sehingga dapat disimpulkan Geulis fhasion harus
memproduksi sepatu sebanyak 30 pasang dan sandal
sebanyak 40 pasang, agar geuls fhasion memperoleh
kentungan maksimal sebesar 620.
20
Bab 3. Perencanaan Agregat
21
fluktuasi permintaan dapat dipenuhi dengan melakukan variasi
tenaga kerja dan persediaan sehingga mendapatkan kombinasi
yang efisien dalam meminimalkan biaya produksi (S. A. Kumar
et.al, 2008).
Dengan demikian dapat diambil kesimpulan, perencanaan
agregat adalah perencanaan kegiatan operasional dengan
memberikan tingkat output dalam rentang waktu 3 - 18 bulan
dimana permintaan yang bersifat fluktuatif dengan
memaksimalkan ketersediaan fasilitas dan sumber daya untuk
meminimalisasi total biaya produksi.
Perusahaan yang mengalami fluktuasi permintaan atau
kapasitas secara musiman akan sangat terbantu dengan adanya
perencanaan agregat ini. Dengan adanya perencanaan agregat,
perusahaan dapat merencanakan produksi secara efektif dalam
memanfaatkan sumber daya yang ada di dalam perusahaan untuk
memenuhi permintaan yang diharapkan (W. J. Stevenson, 2018).
Perencana produksi dapat membuat keputusan mengenai
output, perubahan pekerjaan, inventaris barang, pemesanan
kembali, serta subkontrak dalam memenuhi kebutuhan
permintaan melalui perencanaan agregat.
Contoh Kasus:
Manager perencanaan dan produksi pada perusahaan
Mesin Poles Mobil sedang membuat perencanaan permintaan
dengan menyesuaikan tingkat produksi, tingkat tenaga kerja,
tingkat persediaan, lembur dan sub kontrak. Dimana perusahaan
ini memiliki 3 jenis produk antara lain:
22
Gambar 3.1 Model Mesin Poles Mobil
23
ketersediaan variabel yang dapat dikontrol sehingga
menghasilkan perencanaan yang mencakup 12 hingga 18 bulan
ke depan (W. J. Stevenson, 2018).
24
3.3 Input dan Output Perencanaan Agregat
Perencanaan agregat yang efektif membutuhkan informasi
yang tepat dan akurat yang berkaitan dengan sumber daya serta
variabel-variabel yang dapat dikendalikan pada proses produksi.
Adapun input dan output pada perencanaan agregat adalah
sebagai berikut (W. J. Stevenson, 2018).
Tabel 3.2 Input dan Output Perencanaan Agregat
Input Output
Sumber Daya Biaya Total Perencanaan
- Tingkat tenaga kerja/ Tingkat Tingkat Proyeksi
Produksi - Persediaan
- Fasilitas dan Peralatan - Produk
Peramalan Permintaan - Tenaga Kerja
Kebijakan Perubahan Tenaga - Subkontrak
Kerja - Backordering
Subkontrak
Lembur
Tingkat Persediaan/ Perubahan
Pemesanan
Biaya-Biaya
- Biaya Persediaan
- Biaya Rekrut/Pemecatan
- Lembur
- Subkontrak
- Inventory changes
Sumber: Operation Management (W. J. Stevenson, 2018)
25
keterkaitan dengan kebijakan rekrutasi dan atau upaya terakhir
yang dilakukan perusahaan yaitu PHK apabila kondisi sangat
mendesak.
26
dalam memenuhi permintaan yang fluktuatif (R.S. Russell et. al,
2011). Sebuah perusahaan dapat memilih strategi berdasarkan
kapasitas atau capacity options, dengan berbagai alternatif antara
lain (J. Heizer et. al, 2020), (R.S. Russell et. al, 2011) :
1. Mengubah Tingkat Persediaan
Alternatif strategi ini dilakukan ketika terdapat periode
permintaan yang rendah, sehingga terjadi persediaan yang
dapat disimpan untuk memenuhi permintaan tinggi di periode
mendatang. Biaya yang akan muncul terkait terjadinya
penyimpanan/inventory adalah biaya penanganan, asuransi,
kerusakan, pencurian serta adanya modal yang tertahan dalam
bentuk investasi.
2. Variasi Ukuran Pekerja Karena Adanya Pemutusan Hubungan
Kerja dan Perekrutan
Untuk mencocokan tingkat permintaan yang fluktuatif
terhadap tingkat produksi, manager produksi dapat
menggunakan alternatif variasi ukuran pekerja dengan
kebijakan rekrut dan Pemutusan Hubungan Kerja (PHK).
Sehingga biaya yang muncul antara lain biaya rekrutasi,
pelatihan, biaya PHK (sesuai dengan kebijakan pemerintah
dan perusahaan).
3. Variasi Tingkat Produksi melalui Waktu Lembur atau
Menganggur
Pada strategi alternatif ini, manager produksi dapat
mempertahankan ukuran tenaga kerja secara konstan dengan
melakukan variasi jam kerja. Biaya yang muncul antara lain
biaya overhead akibat adanya jam lembur dari tenaga kerja.
a. Sub Kontrak
Strategi Subkontrak dipilih oleh perusahaan ketika
perusahaan mendapatkan besaran kapasitas yang diperoleh
sementara sehingga pada periode permintaan tinggi,
pekerjaan dapat dilakukan subkontrak. Namun, resiko dengan
adanya subkontrak antara lain biaya akan bertambah menjadi
27
lebih mahal, perusahaan yang ditunjuk sebagai subkontrak
dapat menjadi pesaing di masa yang akan datang, dan dapat
menjadi tantangan tersendiri untuk “merangkul” dan
mengembangkan perusahaan subkontrak sebagai pemasok
ketika periode permintaan tinggi.
b. Menggunakan Pekerja Paruh Waktu
Strategi penggunaan pekerjaan paruh waktu biasanya dipilih
pada perusahaan yang bergerak pada sektor jasa untuk
mengisi kebutuhan tenaga kerja di periode atau waktu waktu
jam sibuk, misalnya pada restoran, supermarket, dan ritel.
28
mendapatkan hasil yang lebih efektif lagi disebut dengan
mixed Strategy/Mixing Option.
29
Contoh Kasus Pure Strategy:
PT. SegerLaras memproduksi berbagai macam minuman
sari buah. Pada periode tertentu menunjukkan pola permintaan
musiman dengan perkiraan permintaan dan biaya-biaya sebagai
tabel 3.3 berikut:
Tabel 3.3 Permintaan triwulan
Solusi :
1. Untuk menentukan Level Strategy pada lantai produksi,
lakukan dengan menghitung rata-rata permintaan selama 4
periode:
30
periode tertentu akan dilakukan penyimpanan untuk
memenuhi periode berikutnya apabila permintaan tinggi.
Rencana produksi dan biaya persediaan yang dihasilkan
adalah diperlihatkan pada tabel 8 sebagai berikut.
Tabel 3.4 Rencana produksi dan biaya persediaan
Total Biaya
(Chase Demand
Strategy)
Dengan membandingkan kedua strategi diatas, kita dapat
menemukan strategi yang terbaik bagi perusahaan.
3.9 Rangkuman
1. Perencanaan agregat adalah perencanaan kegiatan
operasional dengan memberikan tingkat output dalam
rentang waktu 3 - 18 bulan dimana permintaan yang bersifat
fluktuatif dengan memaksimalkan ketersediaan fasilitas dan
sumber daya untuk meminimalisasi total biaya produksi.
2. Fungsi perencanaan agregat, yaitu (a) Sebagai input
penyusunan dan pelaksanaan jadwal induk produksi; (b)
Sebagai perencanaan sumber daya dalam membuat proses
perencanaan produksi sehingga konsisten terhadap rencana
strategis perusahaan; (c) Menjamin stabilisasi kemampuan
produksi, tenaga kerja dan variabel lainnya terhadap fluktuasi
permintaan dan (d) Sebagai alat monitor produk aktual
terhadap rencana produksi dengan membuat penyesuaian
rencana secara berkala sesuai untuk pencapaian target
produksi.
3. Perencanaan agregat bertujuan untuk: (a) Langkah awal dalam
menentukan aktifitas produksi dengan menggunakan metode
yang tepat sebagai strategi perusahaan; (b) Dapat
mengembangkan perencanaan produksi secara menyeluruh
agar tercapai keseimbangan dan (c) Sebagai masukan kepada
perencanaan sumber daya dalam mendukung proses produksi.
4. Strategi Perencanaan Produksi terbagi atas capacity options,
demand options dan mixing option.
32
Bab 4. Post Optimal
33
Mengevaluasi Tentukan perkiraan Sensitivity
perkiraan penting yang dapat Analysis
parameter model mempengaruhi
solusi optimal untuk
studi lebih lanjut
Mengevaluasi Tentukan trade-off Pemrograman
trade-off antar terbaik Linier Parametrik
model parameter
34
cara biasa, dimulai dari solusi BF (Basic Feasible) awal. Jika
solusinya tidak layak, algoritma terkait disebut metode simpleks
ganda (dual simplex method) mungkin dapat diterapkan untuk
menemukan solusi optimal baru, mulai dari solusi dasar awal
(initial basic solution) (Taha, 2017).
1. Harga Bayangan (Shadow Price)
Masalah Pemrograman Linier sering dapat diartikan sebagai
pengalokasian sumber daya pada suatu aktivitas. Secara
khusus, ketika kendala fungsional dalam bentuk kurang dari
sama dengan (≤), lalu bi (ruas kanan) sebagai jumlah masing-
masing sumber daya yang tersedia untuk aktivitas yang
sedang dipertimbangkan. Dalam banyak kasus, mungkin ada
beberapa keleluasaan dalam jumlah yang akan disediakan. Jika
demikian, nilai bi yang digunakan dalam model awal yang telah
tervalidasi sebenarnya dapat mewakili keputusan awal
tentative tentang seberapa banyak sumber daya organisasi
akan disediakan untuk aktivitas yang dipertimbangkan dalam
model daripada untuk aktivitas penting lainnya di bawah
lingkup manajemen. Dari perspektif yang lebih luas ini,
beberapa nilai bi dapat ditingkatkan dalam model yang
direvisi, tetapi hanya jika kasus yang cukup kuat dapat dibuat
untuk manajemen bahwa revisi ini akan bermanfaat (Bazaraa,
Jarvis, & Sherali, 2009). Akibatnya, informasi tentang
kontribusi ekonomi sumber daya untuk ukuran kinerja (Z)
untuk studi saat ini sering akan sangat berguna. Metode
simpleks memberikan informasi ini dalam bentuk harga
bayangan untuk sumber daya masing-masing. Harga bayangan
untuk sumber daya i (dinotasikan dalam yi*) mengukur nilai
marjinal dari sumber daya tersebut, yaitu, tingkat dimana Z
dapat ditingkatkan sedikit dengan meningkatkan jumlah
sumber daya (bi) yang tersedia. Metode simpleks
mengidentifikasi harga bayangan ini dengan yi* = koefisien
35
dari variabel slack ke-i di baris ke 0 dari tablo simpleks akhir.
Sebagai ilustrasi, kita ambil contoh masalah Wyndor Glass, Co.
Tabel 4.2 Data untuk Wyndor Glass Co.
Pabrik Waktu Produksi per Ketersediaan
Batch (Jam) Waktu
Produk Produksi per
1 2 Minggu (Jam)
1 1 0 4
2 0 2 12
3 3 2 18
Keuntungan $3000 $5000
per batch
b1 = 4, b2 = 12, b3 = 18
36
3
𝑦2∗ = 2 = shadow price untuk sumber daya 2.
𝑦3∗ = 1 = shadow price untuk sumber daya 3.
Dengan hanya dua variabel keputusan, angka-angka ini dapat
diverifikasi dengan memeriksa secara grafis bahwa
peningkatan satu per satu bi sebanyak 1 memang akan
meningkatkan nilai optimal Z oleh yi*. Misalnya, Gambar 4.1
menunjukkan peningkatan ini untuk sumber daya 2 dengan
menerapkan kembali metode grafis. Solusi optimal, (2, 6)
5 13 1
dengan Z = 36, berubah menjadi (3 , 2 ) dengan Z = 37 2 ketika
b2 dinaikkan 1 (dari 12 menjadi 13), sehingga
1 3
𝑦2∗ = ∆𝑍 = 37 2 − 36 = 2
37
telah berubah, sehingga tablo simpleks akhir baru akan
diperoleh dengan harga bayangan baru, termasuk y2*=0.
Sekarang perhatikan pada Gambar 4.1, mengapa y1*=0. Hal ini
dikarenakan constraint pada sumber daya 1, x1 ≤ 4, adalah
tidak mengikat pada solusi optimal, ada surplus dari sumber
daya ini. Oleh karena itu, dengan meningkatkan nilai b1
melebihi 4 tidak dapat menghasilkan solusi optimal baru
dengan nilai yang lebih besar dari Z.
38
Jenis informasi yang diberikan oleh harga bayangan jelas
berharga bagi manajemen ketika mempertimbangkan
realokasi sumber daya dalam organisasi. Hal ini juga sangat
membantu ketika peningkatan terjadi pada bi dapat dicapai
hanya dengan pergi ke luar organisasi untuk membeli lebih
banyak sumber daya di pasar.
Misalnya, anggaplah Z mewakili laba dan bahwa keuntungan
unit dari aktifitas (nilai cj) termasuk biaya (dengan harga
reguler) dari semua sumber daya yang dikonsumsi. Kemudian
harga bayangan positif yi* untuk sumber daya i berarti bahwa
keuntungan total Z dapat ditingkatkan sebesar yi* dengan
membeli 1 unit lagi sumber daya ini dengan harga regulernya.
Atau, jika harga premium harus dibayar untuk sumber daya di
pasar, maka yi* mewakili premi maksimum (kelebihan dari
harga reguler) yang layak dibayar.
Landasan teoretis untuk harga bayangan disediakan oleh teori
dualitas dijelaskan dalam Bab berikutnya.
2. Sensitivity Analysis
Tujuan utama dari analisis sensitivitas adalah untuk
mengidentifikasi parameter sensitif (yaitu, yang tidak dapat
diubah tanpa mengubah solusi optimal). Parameter sensitif
adalah parameter yang perlu diestimasi dengan perhatian
khusus untuk meminimalkan risiko mendapatkan solusi
optimal yang salah. Hal itu juga perlu dipantau secara ketat
saat penelitian dilakukan. Jika ditemukan bahwa nilai
sebenarnya dari parameter sensitif berbeda dari nilai estimasi
dalam model, ini segera menandakan kebutuhan untuk
mengubah solusi (Bradley, Hax, & Magnanti, 1977).
Bagaimana parameter sensitif diidentifikasi? Dalam kasus bi,
hal ini dapat dilihat bahwa informasi ini diberikan oleh harga
bayangan yang disediakan oleh metode simpleks. Khususnya,
jika yi*>0, maka solusi optimal berubah jika bi diubah, jadi bi
merupakan parameter sensitive. Namun, yi*=0 menyiratkan
39
bahwa solusi optimal tidak sensitif terhadap setidaknya
perubahan kecil dalam bi. Akibatnya, jika nilai bi yang
digunakan adalah perkiraan jumlah sumber daya yang akan
tersedia (bukan keputusan manajerial), maka nilai bi yang
perlu dipantau lebih dekat adalah yang memiliki harga
bayangan positif, terutama yang memiliki harga bayangan
besar. Ketika hanya ada dua variabel, sensitivitas berbagai
parameter dapat dianalisis secara grafis. Misalnya, pada
Gambar 4.2, c1=3 dapat diubah ke nilai lain dari 0 hingga 7,5
tanpa perubahan solusi optimal. Alasannya adalah bahwa
apapun nilai c1 dalam rentang ini menjaga kemiringan
Z=c1x1+5x2 antara kemiringan garis 2x2=12 dan 3x1+2x2=18.
Demikian pula, jika c2=5 adalah satu-satunya parameter yang
diubah, itu dapat memiliki nilai lebih besar dari 2 tanpa
mempengaruhi solusi optimal. Oleh karena itu, baik c1 maupun
c2 bukanlah parameter sensitif. Prosedur yang disebut Metode
Grafis dan Analisis Sensitivitas memungkinkan Anda
melakukan analisis grafis semacam inisangat efisien.
40
Cara termudah untuk menganalisis sensitivitas masing-masing
parameter aij secara grafis adalah dengan memeriksa apakah
kendala yang sesuai mengikat pada solusi optimal. Karena x1
≤ 4 bukan kendala yang mengikat, setiap perubahan yang
cukup kecil pada koefisiennya (a11= 1, a12 = 0) tidak akan
mengubah solusi optimal, jadi ini adalah parameter yang tidak
sensitif. Di sisi lain, baik 2x2 ≤ 12 dan 3x1 + 2x2 ≤ 18 adalah
kendala yang mengikat, jadi mengubah apapun dari
koefisiennya (a21 = 0, a22 = 2, a31 = 3, a32 = 2) akan mengubah
solusi optimal, dan oleh karena itu ini adalah parameter
sensitif. Biasanya, perhatian yang lebih besar diberikan untuk
melakukan analisis sensitivitas pada parameter bi dan cj
daripada pada parameter aij. Pada masalah nyata dengan
ratusan atau ribuan kendala dan variabel, pengaruh
perubahan satu nilai aij biasanya diabaikan, tetapi mengubah
satu nilai bi atau cj dapat berdampak nyata. Selanjutnya, dalam
banyak kasus, nilai aij ditentukan oleh teknologi yang
digunakan (nilai aij kadang-kadang disebut koefisien
teknologi), jadi mungkin ada sedikit (atau tidak ada)
ketidakpastian tentang nilai akhirnya. Ini beruntung, karena
ada jauh lebih banyak parameter aij daripada bi dan parameter
cj untuk masalah besar. Untuk masalah dengan lebih dari dua
(atau mungkin tiga) variabel keputusan, Anda tidak dapat
menganalisis sensitivitas parameter secara grafis seperti yang
baru saja dilakukan untuk masalah Wyndor Glass Co. Namun,
Anda dapat mengekstrak informasi yang sama dari metode
simpleks. Mendapatkan informasi ini memerlukan
penggunaan wawasan dasar untuk menyimpulkan perubahan
yang dibawa ke tablo simpleks akhir sebagai akibat dari
perubahan nilai parameter dalam model aslinya.
41
3. Penggunaan Excel untuk Menghasilkan Analisis Sensitivitas
Analisis Sensitivitas Informasi biasanya digabungkan ke dalam
paket perangkat lunak berdasarkan metode simpleks.
Misalnya, saat menggunakan spreadsheet Excel untuk
merumuskan dan menyelesaikan model pemrograman linier,
Solver akan menghasilkan informasi analisis sensitivitas
berdasarkan permintaan (Diwckar, 2003.).
Ketika Solver memberikan pesan bahwa ia telah menemukan
solusi, itu juga memberikan di sebelah kanan daftar tiga
laporan yang dapat diberikan. Dengan memilih yang kedua
(berlabel "Sensitivitas") setelah menyelesaikan masalah
Wyndor Glass Co., laporan sensitivitas dapat diperoleh yang
ditunjukkan pada Tabel 4.3. Tabel bagian atas dalam laporan
tersebut memberikan informasi analisis sensitivitas tentang
variabel keputusan dan koefisiennya dalam fungsi tujuan.
Tabel 4.3 bagian bawah melakukan hal yang sama untuk
batasan fungsional dan ruas kanannya.
Tabel 4.3 Laporan Analisis Sensitivitas dengan Menggunakan
Solver untuk kasus Wyndor Glass Co.
Varible Cells
Cell Name Fin Reduc Objectiv Allowa Allowa
al ed e ble ble
Val Cost Coeffici Increas Decrea
ue ent e se
$C$1 Batche 2 0 3 4.5 3
2 s
Produc
ed
Doors
$D$ Batche 6 0 5 1E+30 3
12 s
Produc
ed
42
Windo
ws
Constraints
Cell Name Fin Reduc Objectiv Allowa Allowa
al ed e ble ble
Val Cost Coeffici Increas Decrea
ue ent e se
$E$7 Plant 1 2 0 4 1E+30 2
Used
$E$8 Plant 2 12 1.5 12 6 6
Used
$E$9 Plant 3 18 1 18 6 6
Used
43
Adalah kisaran yang diijinkan untuk c1 di mana solusi optimal
saat ini akan tetap optimal (dengan asumsi c2 5), seperti yang
ditemukan secara grafis pada Gambar. 4.9. Demikian pula,
karena Excel menggunakan 1E 30 (10 30) untuk mewakili tak
terhingga,
5 − 3 ≤ 𝑐2 ≤ 5 + ∞ sehingga 2 ≤ 𝑐2
44
ini di mana solusi BF optimal saat ini (dengan nilai yang
disesuaikan untuk variabel dasar) tetap layak, dengan asumsi
tidak ada perubahan pada ruas kanan lainnya. Properti kunci
dari rentang nilai ini adalah bahwa harga bayangan saat ini
untuk bi tetap valid untuk mengevaluasi efek pada Z dari
perubahan bi hanya selama bi tetap dalam kisaran yang
diizinkan ini. Jadi, menggunakan tabel bawah 4.3,
menggabungkan dua kolom terakhir dengan nilai saat ini dari
sisi kanan memberikan rentang yang diijinkan berikut:
2 ≤ 𝑏1
6 ≤ 𝑏2 ≤ 18
12 ≤ 𝑏3 ≤ 24
45
bersama karena faktor eksogen seperti keadaan ekonomi.
Namun, aplikasi yang lebih penting adalah penyelidikan trade-
off dalam nilai parameter. Misalnya, jika nilai cj mewakili unit
keuntungan dari masing-masing aktivitas, dimungkinkan
untuk meningkatkan beberapa nilai cj dengan mengorbankan
penurunan yang lain dengan pemindahan personel dan
peralatan yang sesuai di antara aktivitas. Demikian pula, jika
nilai bi mewakili jumlah masing-masing sumber daya yang
tersedia, dimungkinkan untuk meningkatkan beberapa nilai bi
dengan menyetujui untuk menerima penurunan dalam
beberapa yang lain. Dalam beberapa aplikasi, tujuan utama
dari penelitian ini adalah untuk menentukan trade-off yang
paling tepat antara dua faktor dasar, seperti biaya dan
manfaat. Pendekatan yang biasa digunakan adalah dengan
mengungkapkan salah satu faktor ini dalam fungsi tujuan
(misalnya, meminimalkan biaya total) dan memasukkan yang
lain ke dalam batasan (misalnya, manfaat tingkat minimum
yang dapat diterima). Pemrograman linier parametrik
kemudian memungkinkan penyelidikan sistematis tentang
apa yang terjadi ketika keputusan tentatif awal pada trade-off
(misalnya, tingkat minimum yang dapat diterima untuk
manfaat) adalah diubah dengan meningkatkan satu faktor
dengan mengorbankan yang lain. Teknik algoritma untuk
pemrograman linier parametrik adalah perpanjangan alami
dari analisis sensitivitas, jadi teknik ini juga didasarkan pada
metode simpleks (Vanderbei, 2008).
46
Bab 5. Metode Simplex
5.1 Pendahuluan
Penyelesaian masalah Linear Programming (LP)
menggunakan metode Grafik hanya mencakup pada 2 variabel
keputusan (2 kombinasi saja), sedangkan permasalahan yang
melibatkan lebih dari 2 variabel tidak efektif jika menggunakan
metode Grafik merupakan algoritma heuristik yang dapat
memberikan gambaran secara langsung tentang hubungan antar
departemen sehingga lebih mudah dimengerti (Ekie Gilang
Permata et. al, 2016).
Metode ini dikembangkan oleh George Dantzig pada
1946 dan sepertinya cocok untuk komputerisasi masa kini.
Pada 1946 Narendra Karmarkar dari Bell Laboratories
menemukan suatu cara untuk memecahkan masalah program
linear yang lebih besar, sehingga memperbaiki dan
meningkatkan hasil dari metode simpleks (Suhilda Aini et.al,
2021). Metode Simpleks merupakan suatu metode untuk
menyelesaikan masalah-masalah PL yang meliputi banyak
pertidaksamaan dan banyak variable (R. L Rumahorbo et.al,
2017). Metode simpleks merupakan teknik yang paling berhasil
dikembangkan untuk memecahkan persoalan pemrograman
linear yang mempunyai jumlah variable keputusan dan pembatas
yang besar (Yulia Yudihartanti, 2006).
Metode Simplex merupakan prosedur iteratif yang bergerak
dari satu alternatif solusi ke alternatif berikutnya hingga nilai
fungsi tujuan naik (dalam masalah maksimisasi) atau turun
(dalam masalah minimisasi). Iterasi akan terus berjalan hingga
memperoleh solusi optimal (jika ada) yang menghasilkan nilai
maksimum atau minimum.
47
5.2 Karakteristik Metode Linear Programming
Penggunaan metode simpleks untuk menyelesaikan
masalah LP mengharuskan masalah tersebut diubah ke dalam
bentuk standarnya. Bentuk standar masalah LP harus memiliki
karakteristik sebagai berikut:
1. Semua fungsi batasan harus dinyatakan sebagai persamaan
dengan mentransformasikan batasan pertidaksamaan
berjenis (≤) ke dalam bentuk persamaan (=) dan
menambahkan variabel Surplus / Slack (s) atau variabel dasar.
2. Sisi kanan setiap fungsi batasan harus positif (non-negatif),
jika bernilai negatif harus mengalikan kedua sisi fungsi
batasan yang dihasilkan dengan (– 1).
3. Fungsi tujuan harus bertipe maksimisasi.
48
• Bahan mentah
• Kapasitas Mesin
• Teknologi dan informasi
• Waktu, dan ruangan
Pada metode Simplex pada fungsi Batasan ditambahkan
variabel Surplus / Slack (s). Variabel Slack mencerminkan
sumber-sumber daya yang tidak terpakai.
a11x1 + a12x2 + ... + a1nxn +s1 = b1
a21x1 + a22x2 + ... + a2nxn +s2 = b2
. . .
. . .
am1x1+ am2x2+ ... + amnxn+sm = bm
dimana,
x1, x2, . . . , xn, s1, s2, . . . , sm ≥ 0
3. Tabel Simplex
Tabel 5.1 Bentuk Umum Tabel Simplex
Variabel
Z X1 X2 Xn S1 S2 Sm NK
Dasar
Z 1 - C1 - C2 - Cn 0 0 0 0
49
2. Merubah fungsi tujuan dan batasan menjadi fungsi implisit.
3. Menyusun fungsi-fungsi persamaan ke dalam Tabel Simplex.
4. Memilih kolom kunci
5. Memilih baris kunci dan menentukan angka kunci
6. Merubah nilai-nilai baris
7. Merubah nilai selain pada baris kunci
8. Menambahkan Nilai baru pada tabel
9. Melanjutkan perbaikan-perbaikan.
Metode simplex dapat dipahami lebih baik jika diperjelas
dengan contoh kasus sebagai berikut.
Pabrik “XYZ “ memproduksi 3 jenis produk yaitu:
1. Produk 1,
2. Produk 2, dan
3. Produk 3.
Untuk memproduksi 3 produk tersebut digunakan 3 buah
mesin yaitu; (a) Alat 1, (b) Alat 2, dan (c) Alat 3. Untuk membuat
masing-masing produk, akan mengalami pemrosesan pada alat-
alat sebagai berikut:
Tabel 5.2 Konfigurasi kebutuhan produk dan kapasitas
Produk
Alat Kapasitas
1 2
1 3 0 9
2 0 4 16
3 8 5 40
Profit 4 6
50
a. 3X1 9
b. 4X2 16
c. 8X1 + 5X2 40
2. Merubah fungsi tujuan dan batasan menjadi fungsi implisit
(persamaan)
Fungsi Tujuan:
Z = 4X1 + 6X2 diubah menjadi Z - 4X1 - 6X2 = 0
Fungsi Batasan diubah menjadi persamaan dan menambahkan
(+) variabel Slack (S)
a. 3X1 9 menjadi 3X1 + S1 9
b. 4X2 16 menjadi 4X2 + S2 16
c. 8X1 + 5X2 40 menjadi 8X1 + 5X2 + S3 40
3. Menyusun fungsi-fungsi persamaan ke dalam Tabel 5.3
dibawah ini.
Tabel 5.3 Formulasi simplex yang dirancang
Variabel Dasar Z X1 X2 S1 S2 S3 NK
Z 1 -4 -6 0 0 0 0
S1 0 3 0 1 0 0 9
S2 0 0 4 0 1 0 16
S3 0 8 5 0 0 1 40
51
Tabel 5.4 Kolom kunci
Variabel Dasar Z X1 X2 S1 S2 S3 NK
Z 1 -4 -6 0 0 0 0
S1 0 3 0 1 0 0 9
S2 0 0 4 0 1 0 16
S3 0 8 5 0 0 1 40
Nilai Kolom NK
Indeks =
Nilai Kolom Kunci
Indeks Baris Z = 0/-6
Indeks Baris S1 = 9/0 = (∞, atau tak terhingga)
Indeks Baris S2 = 16/4 =4
Indeks Baris S3 = 40/5 =8
Tabel 5.5 Angka kunci
Variabel
Z X1 X2 S1 S2 S3 NK Indeks
Dasar
Z 1 -4 -6 0 0 0 0
S1 0 3 0 1 0 0 9 ∞
S2 0 0 4 0 1 0 16 4
S3 0 8 5 0 0 1 40 8
52
*Pilih Baris Kunci yang memiliki angka positif terkecil
berdasarkan indeks
6. Merubah nilai-nilai baris
Merubah nilai-nilai baris pada baris kunci dengan membagi
nilai pada baris kunci dengan nilai kunci
Tabel 5.6 Nilai baris
Variabel Dasar Z X1 X2 S1 S2 S3 NK Indeks
Z 1 -4 -6 0 0 0 0
S1 0 3 0 1 0 0 9 ∞
S2 0 0 4 0 1 0 16 4
S3 0 8 5 0 0 1 40 8
Nilai Kunci
Tabel 5.7 Nilai kunci
Z X1 X2 S1 S2 S3 NK
S1
X2 0 0 1 0 1/4 0 4
S3
𝟎 𝟎 𝟒 𝟎 𝟏 𝟎 𝟏𝟔
𝟒 𝟒 𝟒 𝟒 𝟒 𝟒 𝟒
53
7. Merubah nilai selain pada baris kunci
Merubah niali selain pada baris kunci dengan rumus :
Baris Baru
= baris lama
− (koefisien pada kolom kunci) x nilai baru pada baris lama
Baris I (Z)
X1 X2 S1 S2 S3 NK
-4 -6 0 0 0 0
(-6) 0 1 0 1/4 0 4 (-)
Nilai
-4 0 6 6/4 0 24
Baru
Baris II (Batasan I)
X1 X2 S1 S2 S3 NK
3 0 1 0 0 9
(0) 0 1 0 1/4 0 4 (-)
Nilai
3 0 1 0 0 9
Baru
54
Tabel 5.8 Nilai baru
Variabel Dasar Z X1 X2 S1 S2 S3 NK Indeks
Z 1 -4 -6 0 0 0 0
S1 0 3 0 1 0 0 9 ∞
S2 0 0 4 0 1 0 16 4
S3 0 8 5 0 0 1 40 8
Z 1 -4 0 6 6/4 0 24
S1 0 3 0 1 0 0 9
X2 0 0 1 0 1/4 0 4
S3 0 0 0 0 -5/4 1 20
9. Melanjutkan perbaikan-perbaikan.
Perubahan baru berhenti setelah pada baris pertama (fungsi
tujuan) tidak ada yang bernilai negatif. Karena pada iterasi 1
masih terdapat nilai (-) yaitu -4 maka perbaikan dilanjutkan
pada iterasi 2 dan Kembali ke tahap 4
Iterasi 2
Memilih kolom kunci
55
Tabel 5.9 Kolom kunci
Variabel Dasar Z X1 X2 S1 S2 S3 NK
Z 1 -4 0 6 6/4 0 24
S1 0 3 0 1 0 0 9
X2 0 0 1 0 1/4 0 4
S3 0 0 0 0 -5/4 1 20
Z 1 -4 0 6 6/4 0 24 -6
S1 0 3 0 1 0 0 9 3
X2 0 0 1 0 1/4 0 4 ∞
S3 0 0 0 0 -5/4 1 20 ∞
56
Tabel 5.11 Nilai baris
Variabel Dasar Z X1 X2 S1 S2 S3 NK Indeks
Z 1 -4 0 6 6/4 0 24 -6
X1 0 3 0 1 0 0 9 3
X2 0 0 1 0 1/4 0 4 ∞
S3 0 0 0 0 -5/4 1 20 ∞
Nilai Kunci
Variabel
Dasar Z X1 X2 S1 S2 S3 NK
X1 0 1 0 1/3 0 0 3
X2
S3
𝟎 𝟑 𝟎 𝟏 𝟎 𝟎 𝟗
𝟑 𝟑 𝟑 𝟑 𝟑 𝟑 𝟑
Nilai Baru
Baris I (Z)
X1 X2 S1 S2 S3 NK
-4 0 6 6/4 0 24
(-4) 1 0 1/3 0 0 3 (-)
Nilai 𝟏
0 0 7𝟑 6/4 0 36
Baru
57
(0) 1 0 1/3 0 0 3 (-)
Nilai
0 1 0 1/4 0 4
Baru
X1 0 1 0 1/3 0 0 3
X2 0 0 1 0 1/4 0 4
X3 0 0 0 0 -5/4 1 20
58
Bab 6. Mengenal Dualitas & Analisis
Sensitivitas
60
Tabel 6.1 Aturan Persoalan Primal vs Dual
Bentuk Primal Bentuk Dual
Memaksimumkan fungsi Meminimumkan fungsi tujuan
tujuan
Koefisien fungsi tujuan (Cj) Nilai Kanan (NK) sebagai fungsi
kendala
NK fungsi kendala primal (bi) Koefisien fungsi tujuan
Koefisien peubah ke-j Koefisien kendala ke-j
Koefisien kendala ke-i Koefisien peubah ke-i
Variabel ke-j yang positif Kendala ke-j dengan tanda
(≥0) ketidaksamaan lebih besar atau
sama dengan (≥)
Kendala ke-i yang bertanda Variabel ke-i yang positif (≥)
ketidaksamaan (≤)
61
c. Untuk setiap variabel primal terdapat 1 kendala dual
d. Koefisien fungsi tujuan primal sebagai nilai sisi kanan kendala
dual dan nilai sisi kanan primal sebagai koefisien fungsi tujuan
dual.
62
6.3 Analisis Sensitivitas dan Aplikasinya
Analisis sensitivitas umumnya merupakan pendekatan
yang digunakan untuk memeriksa konsistensi dan
ketahanan (robustness) suatu pilihan. Hal ini dicapai dengan
parameter faktor, dan mengamati perubahan rangking. Salah
satu carayang digunakan untuk menguji kerentanan hasil
terhadap perubahan rangkingadalah metode penyesuaian
bobot (M. Yazdani, 2016).
Analisis sensitivitas merupakan analisis yang dilakukan
untuk mengetahui akibat dari perubahan parameterparameter
produksi terhadap perubahan kinerja sistem produksi dalam
menghasilkan keuntungan (Paulus Pati Richardo Tenawaheng
et.al, 2021).
Analisis sensitivitas merupakan suatu konsep yang
fundamental dalam metoda pemilihan multi kriteria atau multi
criteria decision making (MCDM) untuk mengukur kestabilan dari
pemilihan solusi optimal apabila terjadi perubahan terhadap
beberapa parameter. Analisis sensitivitas umumnya merupakan
pendekatan yang digunakan untuk memeriksa konsistensi dan
ketahanan (robustness) suatu pilihan.
Hal ini dicapai dengan parameter faktor, dan mengamati
perubahan rangking. Salah satu cara yang digunakan untuk
menguji kerentanan hasil terhadap perubahan rangking adalah
metode penyesuaian bobot. Pendekatan analisis sensitivitas ini
menentukan, nilai perubahan terkecil dalam bobot kriteria saat
ini, yang dapat mengubah peringkat alternatif yang ada.
Pembuat keputusan dapat membuat keputusan yang lebih
baik jika dia dapat menentukan seberapa kritis setiap kriteria.
Dengan kata lain, seberapa sensitif rangking yang sebenarnya
dari alternatifnya adalah perubahan pada bobot kriteria
keputusan saat ini.
Analisis sensitivitas pada dasarnya melibatkan menyelidiki
efek pada solusi optimal membuat perubahan dalam nilai-nilai
63
dari parameter model aij, bi , dan cj. Namun, mengubah nilai
parameter dalam persoalan primal juga mengubah nilai-nilai
yang sesuai dalam persoalan dual.
Oleh karena itu, kita memiliki pilihan untuk menggunakan
masalah yang sesuai setiap perubahan. Karena hubungan primal-
ganda ini mudah untuk bergerak bolak-balik antara dua masalah
seperti yang diinginkan. Dalam beberapa kasus, akan lebih
mudah untuk menganalisis masalah ganda langsung untuk
menentukan efek komplementer pada masalah primal.
Tujuan umum dari analisis sensitivitas adalah
1. Untuk menentukan parameter-parameter sensitif yaitu
parameter yang tidak diubah tanpa mengubah penyelesaian
optimal,
2. Melakukan estimasi parameter-parameter dengan lebih tepat
serta mengurangi perhitungan ulang bila terjadi perubahan
pada satu atau beberapa koefisien.
Untuk menyelesaikan permasalahan dengan analisis
sensitivitas dapat dilakukan dengan pendekatan secara grafis dan
juga menggunakan aljabar untuk metode simplex. Berikut contoh
kasus permasalahan di industri yang dapat diselesaikan dengan
analisis sensitivitas.
PT. XY memproduksi dua produk dengan menggunakan
dua mesin. Satu unit produk X membutuhkan 2 jam proses pada
mesin pertama dan 1 jam pada mesin kedua. Untuk satu unit
produk Y, dibutuhkan 1 jam proses pada mesin pertama dan 3
jam pada mesin kedua.
Keuntungan per unit produk X dan produk Y masing-masing
adalah $30 dan $20. Ketersediaan jam kerja harian untuk kedua
mesin masing-masing adalah 8 jam.
Dari permasalahan pada PT XY tersebut kemudian
dicarikan solusi agar perusahaan mendapatkan keuntungan
harian maksimal. Dalam kasus ini kita gunakan pendekatan
64
secara grafis agar memudahkan pihak manajemen
memahaminya.
Menentukan variabel keputusan terlebih dahulu:
x: banyaknya produk X yang diproduksi per hari (unit)
y: banyaknya produk Y yang diproduksi per hari (unit)
Maks Z = 30x + 20y
Dengan kendala:
2x + y ≤ 8 (mesin pertama)
x + 3y ≤ 8 (mesin kedua)
x1, x2 ≥ 0
Berikut grafik dari kedua persamaan tersebut sehingga
memunculkan titik optimal yang baru.
65
Bab 7. Metode Transportasi
(North West Corner, Inspeksi, Vogel)
66
2. Atas barang tersebut tiap sumber dapat memasok suatu
jumlah yang tetap dan tiap tujuan mempunyai jumlah
permintaan yang tetap (Herry Irwan et.al, 2016).
Walaupun secara umum model transportasi dapat
diterapkan untuk berbagai macam masalah, masalah transportasi
barang adalah masalah yang paling terkenal dan menarik.
Contoh berikut adalah perumusan model transportasi
(Taylor III, 2013). Gandum dipanen di Midwest dan disimpan di
elevator biji-bijian di tiga kota berbeda— Kota Kansas, Omaha,
dan Des Moines. Elevator biji-bijian ini memasok tiga pabrik
tepung, yang terletak di Chicago, St. Louis, dan Cincinnati.
Gandum dikirim ke pabrik dengan gerbong kereta api, setiap
gerbong mampu menampung 1 ton gandum. Setiap elevator biji-
bijian dapat memasok sejumlah ton (yaitu, gerbong kereta api)
gandum ke pabrik setiap bulan seperti tabel 7.1 berikut:
Table 7.1 Tabel Pasokan
Elevator Biji-bijian Pasokan
1. Kansas City 150
2. Omaha 175
3. Des Moines 275
Total 600 ton
67
dengan jarak dan sistem kereta api. (Misalnya, biaya pengiriman
1 ton gandum dari elevator gandum di Omaha ke pabrik di
Chicago adalah $7.) Biaya ini disajikan dalam tabel 7.3 berikut ini:
Tabel 7.3 Tabel Biaya Transportasi
Pabrik
A. B. St. Louis C. Cincinnati
Elevator Biji-bijian Chicago
1. Kansas City $6 $8 $10
2. Omaha $7 $11 $11
3. Des Moines $4 $5 $12
$4 200
275
300
$6
$10
Cincinnati
150 $8
100
Kansas City
St. Louis
Gambar 7.1 Jaringan Rute Transportasi untuk Pengiriman
Gandum
68
Formula model linier programming untuk permasalahan ini
sebagai berikut:
Minimumkan:
Z = $6x1A + $8x1B + $10x1C + $7x2A + $11x2B + $11x2C +
$4x3A + $5x3B + $12x3C, dengan fungsi pembatas:
x1A + x1B + x1C = 150
x2A + x2B + x2C = 175
x3A + x3B + x3C = 275
x1A + x2A + x3A = 200
x1B + x2B + x3B = 100
x1C + x2C + x3C = 300
xij ≥ 0
Pada model ini variabel keputusan xij mewakili jumlah ton
gandum yang diangkut dari setiap elevator biji-bijian, i (di mana i
= 1, 2, 3), ke setiap penggilingan, j (di mana j = A, B, C). Fungsi
tujuan mewakili total biaya transportasi untuk setiap rute. Setiap
ketentuan dalam fungsi tujuan mencerminkan biaya kapasistas
ruang yang diangkut untuk satu rute. Sebagai contoh, jika 20 ton
diangkut dari elevator 1 ke pabrik A, biaya ($6) dikalikan dengan
x1A (= 20), sama dengan $120. Tiga batasan pertama dalam model
pemrograman linier mewakili pasokan pada masing-masing
tangga berjalan; tiga batasan terakhir mewakili permintaan di
setiap pabrik. Sebagai contoh, mempertimbangkan Batasan
pasokan pertama, x1A + x1B + x1C = 150. Batasan ini mewakili
berton-ton gandum diangkut dari Kansas City ke ketiga pabrik:
Chicago (x1A), St. Louis (x1B), dan Cincinnati (x1C). Jumlah yang
diangkut dari Kansas City yang tersedia terbatas pada 150 ton.
70
contoh pengiriman gandum kami, jika rute dari Kansas City ke
Chicago adalah dilarang (mungkin karena pemogokan rel),
variabel x1A diberi koefisien 100 bukannya 6 dalam fungsi tujuan,
jadi x1A akan sama dengan nol dalam solusi optimal karena dari
biaya relatifnya yang tinggi. Atau, variabel terlarang dapat
dihapus dari model perumusan.
71
x1C = Jumlah gandum yang dikirim dari Kansas City ke
Cincinnati
x2A = Jumlah gandum yang dikirim dari Omaha ke Chicago
x2B = Jumlah gandum yang dikirim dari Omaha ke St. Louis
x2C = Jumlah gandum yang dikirim dari Omaha ke Cincinnati
x3A = Jumlah gandum yang dikirim dari Des Moines ke Chicago
x3B = Jumlah gandum yang dikirim dari Des Moines ke St. Louis
x3C = Jumlah gandum yang dikirim dari Des Moines ke
Cincinnati
Minimumkan:
Z = $6x1A + $8x1B + $10x1C + $7x2A + $11x2B + $11x2C + $4x3A
+ $5x3B + $12x3C, dengan fungsi pembatas:
x1A + x1B + x1C = 150
x2A + x2B + x2C = 175
x3A + x3B + x3C = 275
x1A + x2A + x3A ≤ 200
x1B + x2B + x3B ≤ 100
x1C + x2C + x3C ≤ 350
xij ≥ 0
a. Buat Tabel Transportasi
Tabel 7.4 Tabel Transportasi
72
1) Tentukan Penyelesaian Awal
a) Metode North west Corner (NWCR)
Metode optimasi dari pojok kiri atas ke pojok kanan bawah
(pokiapokaba). Langkah-langkahnya adalah sebagai beirkut:
1. Pengisian sel mulai dari pojok kiri atas (sel x1A). Bandingkan
pasokan di S1 dengan permintaan di T1. Alokasikan sebesar
x1A = min (a1, b1), pilih nilai paling minimal antara a1 dan b1.
2. Jika a1 > b1, maka x1A = b1. Lanjutkan ke sel x1B, kemudian
tentukan nilai x1B = min (a1 - b1, b2).
3. Jika a1 < b1, maka x1A = a1. Lanjutkan ke sel x2A, kemudian
tentukan nilai x2A = min (b1 - a1, a2).
4. Jika a1 = b1, buat x1A = b1, Lanjutkan ke sel x2A.
5. Lanjutkan langkah tersebut, setahap demi setahap menjauhi
sudut kiri atas, hingga akhirnya harga telah dicapai pada
sudut kanan bawah.
Tabel 7.5 Tabel Solusi Fisibel Metode North West Corner
Pengisian sel dimulai dari sudut kiri atas tabel, yaitu sel
x1A. a1 = 150 dan b1 = 200, maka
a. x1A = min (150, 200) = 150 karena a1 < b1. (nilai a1 sudah
terpenuhi sebanyak 150, namun nilai b1 belum, sehingga dari
pojok kiri atas lanjut ke bawah atau x2A);
73
b. x2A = (b1 - a1, a2) = min (200 - 150, 175) = min (50, 175) = 50
(nilai b1 sudah terpenuhi sebanyak 200, sehingga lanjut ke
kanan atau x2B);
c. x2B = (a2 - b1, b2) = min (175 - 50, 100) = min (125, 100) = 100
(nilai b2 sudah terpenuhi sebanyak 100, namun nilai a2
belum, sehingga lanjut ke kanan atau x2C);
d. x2C = (a2 - b1 - b2, b3) = min (175 - 50 - 100, 300) = min (25,
300) = 25 (nilai a2 sudah terpenuhi sebanyak 175, namun b3
belum, sehingga lanjut ke bawah atau x3C);
e. x3C = (b3 - a2, a3) = min (300 - 25, 275) = 275.
Jumlah pasokan dan permintaan sudah membentuk solusi
fisibel awal, sehingga biaya minimalnya adalah:
Z = $6x1A + $8x1B + $10x1C + $7x2A + $11x2B + $11x2C +
$4x3A + $5x3B + $12x3C= $6x150 + $8x0 + $10x0 + $7x50 +
$11x100 + $11x25 + $4x0 + $5x0 + $12x275
= $5.925
f. Kelemahan (Harsono, 2016):
Tidak memperhitungkan besarnya biaya, sehingga kurang
efisien
b) Metode Least Cost
Pada metode ini adalah memberikan prioritas pengalokasian
pada tempat yang mempunyai satuan biaya terkecil (Dimyati,
1999). Dengan mengambil contoh di atas, langkah-
langkahnya adalah sebagai berikut:
1. Diawali dari c3A = $4 adalah biaya terkecil dari keseluruhan
tabel. Maka x3A mendapat prioritas pengalokasian pertama
kali. Jumlah unit yang dialokasikan adalah x3A = min (a3, b1) =
min (275, 200) = 200. Nilai untuk b1 sudah terpenuhi
sebanyak 200.
2. Selanjutnya lihat biaya terkecil berikutnya (selain b1), yaitu
c3A = $5 adalah biaya terkecil kedua dari keseluruhan tabel.
Maka x3B mendapat prioritas pengalokasian kedua. Jumlah
unit yang dialokasikan adalah x3B = min (a3 – b3, b2) = min
74
(275 – 200, 275) = min (75, 275) = 75. Nilai untuk b2 belum
terpenuhi.
3. Selanjutnya lihat biaya terkecil berikutnya (selain b1), yaitu
c1B = $8 adalah biaya terkecil ketiga dari keseluruhan tabel.
Maka x1B mendapat prioritas pengalokasian ketiga. Jumlah
unit yang dialokasikan adalah x1B = min (100 – 75, 150) = min
(25, 150) = 25. Nilai untuk b2 sudah terpenuhi.
4. Selanjutnya lihat biaya terkecil berikutnya (selain b1 dan b2),
yaitu c1C = $10 adalah biaya terkecil ketiga dari keseluruhan
tabel. Maka x1C mendapat prioritas pengalokasian keempat.
Jumlah unit yang dialokasikan adalah x1C = min (a1 – b2, a1) =
min (150 - 25, 150) = min (125, 150) = 125. Nilai untuk a1
sudah terpenuhi.
5. Selanjutnya lihat biaya terkecil berikutnya (selain b1 dan b2),
yaitu c2C = $11 adalah biaya terkecil keempat dari
keseluruhan tabel. Maka x2C mendapat prioritas
pengalokasian kelima. Jumlah unit yang dialokasikan adalah
x2C = min (300 – 125, 175) = min (175, 175) = 175. Seluruh
pasokan dan permintaan sudah teralokasikan.
Tabel 7.6 Tabel Solusi Fisibel Metode Least Cost
75
Z = $6x1A + $8x1B + $10x1C + $7x2A + $11x2B + $11x2C +
$4x3A + $5x3B + $12x3C
= $6x0 + $8x25 + $10x125 + $7x0 + $11x0 + $11x175 +
$4x200 + $5x75 + $12x0
= $4.550
Lebih efisien dibandingkan dengan North West Corner
(NWCR).
c) Metode VAM (Vogel Aproximation Method)
Metode Vogel merupakan metode yang mudah, lebih cepat,
dan terbaik dari kedua cara di atas, untuk mengatur alokasi
dari beberapa sumber ke daerah tujuan. Tahap-tahap
penyelesaian dengan Metode Vogel adalah sebagai berikut
(Harsono, 2016):
Tabel 7.7 Tabel Solusi Fisibel Metode Least Cost lanjutan
1
76
d. Dengan mengambil contoh di atas, tentukan selisih biaya
terkecil dan yang kedua terkecil dari tiap-tiap baris dan
kolom.
e. Baris kedua memiliki penalty yang terbesar (= 4) dan karena
x2A memiliki biaya terkecil di dalam barisnya, maka
alokasikan x2A = 200. Dengan demikian, b1 sudah terpenuhi.
Dalam hal ini kolom 1 akan ditandai, maka sisa permintaan
untuk kolom 1 menjadi 0. Tabel baru menjadi:
Tabel 7.8 Tabel Solusi Fisibel Metode Least Cost
lanjutan 2
77
Tabel 7.9 Tabel Solusi Fisibel Metode Least Cost lanjutan 3
78
maka alokasikan x1C = 150 - 25 = 125. Dengan demikian, a1
sudah terpenuhi. Dalam hal ini Baris 1 akan ditandai, maka
sisa pasokan untuk pasokan baris 1 menjadi 0. Tabel baru
menjadi:
Tabel 7.11 Tabel Solusi Fisibel Metode Least Cost
lanjutan 5
79
Z = $6x1A + $8x1B + $10x1C + $7x2A + $11x2B + $11x2C +
$4x3A + $5x3B + $12x3C
= $6x0 + $8x25 + $10x125 + $7x0 + $11x0 + $11x175 +
$4x200 + $5x75 + $12x0
= $4.550
2. Lakukan Cek Optimalisasi
Cek optimalisasi adalah tahapan berikutnya dari teknik
pemecahan persoalan transportasi setelah fisibel awal
diperoleh. Dua cara yang digunakan, yaitu metode Stepping
Stone dan Modified Distribution Method (Modi), dengan
syarat:
Jumlah sel yang terisi : (m + n) – 1
m = jumlah baris tabel transportasi
n = jumlah kolom tabel transportasi
d) Metode Stepping Stone
Menggunakan tabel fisibel awal pada metode North west
Corner, didapatkan biaya minimalnya adalah:
Z= $6x150 + $8x0 + $10x0 + $7x50 + $11x100 + $11x25 +
$4x0 + $5x0 +
$12x275
= $5.925
Tabel 7.13 Tabel metode stepping stone
80
Periksa sel kosong:
x1B = 8 – 11 + 7 – 6 = -2
x1C = 10 – 11 + 11 – 8 = 2
x3A = 4 – 7 + 11 – 5 = 3
x3B = 5 – 11 + 11 – 12 = -7
1. Lakukan Perbaikan Tabel
Karena pada x1B dan x3B bertanda negatif (-) dan yang
memberikan penurunan biaya terbesar yaitu x3B, maka perlu
dilakukan perubahan tabel sebagai berikut:
Tabel 7.14 Tabel perbaikan metode stepping stone 1
menjadi:
Tabel 7.15 Tabel perbaikan metode stepping stone 2
2. Kembali ke Langkah 3
Periksa kembali sel kosong:
x1B = 8 – 11 + 7 – 6 = -2
81
x1C = 10 – 11 + 11 – 8 = 2
x3A = 4 – 7 + 11 – 5 = 3
x2B = 11 – 5 + 4 – 7 = 5
Karena pada x1B bertanda negatif (-), maka perlu dilakukan
perubahan tabel sebagai berikut:
Tabel 7.16 Tabel perbaikan metode stepping stone 3
menjadi:
82
Karena harga pada cij tidak ada lagi yang bertanda
negatif (-), maka distribusi tersebut sudah optimal.
Sehingga biaya minimal adalah:
Z= $6x1A + $8x1B + $10x1C + $7x2A + $11x2B + $11x2C +
$4x3A + $5x3B + $12x3C
= $6x100 + $8x50 + $10x0 + $7x100 + $11x0 + $11x75
+ $4x0 + $5x50 + $12x225
= $5.475
e) Modified Distribution Method (Modi)
Menggunakan tabel fisibel awal pada metode North west
Corner memisalkan bahwa Sumber adalah u dan Tujuan
adalah v:
Tabel 7.18 Tabel Modified Distribution Method 1
83
c2A = u2 + 6 = 7
c2B = 1 + v2 = 11
c2C = 1 + v3 = 11
c3C = u3 + 10 = 12
Nilai v1 = 6, u2 = 1, v2 = 10, v3 = 10, u3 = 2.
Untuk sel kosong:
c1B = 8 – u1 – v2 = 8 – 0 – 10 = -2
c1C = 10 – u1 – v3 = 10 – 0 – 10 = 0
c3A = 4 – u3 – v1 = 4 – 2 – 6 = -4
c3B = 5 – u3 – v2 = 5 – 2 – 10 = -7
Karena pengujian pada c1B, c3A, dan c3B bernilai negatif (-)
dan c3B mengalami penurunan yang terbesar, maka
alokasikan c3B terlebih dahulu dan perlu dilakukan
perubahan tabel sebagai berikut:
Tabel 7.19 Tabel Modified Distribution Method 2
menjadi:
84
Tabel 7.20 Tabel Modified Distribution Method 3
86
Bab 9. Metode Sistem Pendukung Keputusan
87
mempunyai hubungan satu sama lain. Keputusan dapat diartikan
sebagai pemililihan dari beberapa pilihan. Pengertian keputusan
disini berarti mempunyai tiga pengertian dasar, yaitu 1. terdapat
pilihan berdasarkan pertimbangan, 2. terdapat pilihan yang
harus dipilih salah satu dan yang terbaik, serta 3. terdapat tujuan
yang ingin dicapai.
Berdasarkan pengertian dua kata ini dapat disimpulkan
bahwa Sistem Pendukung Keputusan adalah kumpulan bagian
atau sub-sistem yang saling bekerja sama untuk mendukung
pengambilan keputusan. Pada sistem pendukung keputusan
terdapat banyak metode yang digunakan, diantaranya adalah :
Sistem Pakar, Metode Regresi Linier, Metode Logika Fuzzy,
Metode Simple Additive Weighting , dan lain nya.
88
Pada Metode Simple Additive Weighting terdapat tahapan-
tahapan yang dilakukan untuk mendapatkan nilai terbesar yang
dipilih sebagai alternatif yang terbaik, tahapan-tahapan pada
metode ini adalah sebagai berikut :
1. Menentukan kriteria-kriteria yang dijadikan sebagai acuan
penilaian atau pengambil keputusan, biasa disimbolkan
dengan Ci
2. Menentukan rating kesamaan untuk setiap alternatif untuk
setiap kriteria
3. Membuat matrik keputusan berdasarkan kriteria (Ci),
selanjutnya melakukan normalisasi matriks berdasarkan
persamaan yang disesuaikan dengan atribut keuntungan dan
atribut biaya sehingga diperoleh matrik ternolasiasi R
4. Hasil akhir : adalah proses penjumlahan dari perkalian matrik
ternormalisasi R dengan vektor bobot. Alternatif terbaik
adalah nilai terbesar yang biasa disimbolkan dengan (Ai)
Persamaan untuk proses normalisasi adalah sebagai
berikut :
𝑋𝑖𝑗
𝑀𝑎𝑥𝑋𝑖𝑗 Jika j adalah atribut Keuntungan (benefit)
𝑟𝑖𝑗 {𝑀𝑖𝑛 𝑋
𝑖𝑗
𝑋𝑖𝑗 Jika j adalah atribut biaya (cost)
Keterangan :
Rij = rating kinerja ternormalisasi
Maxij = nilai maksimum dari setiap baris dan kolom
Minij = nilai minimum dari setiap baris dan kolom
Xij = baris dan kolom matriks
Dengan rij adalah rating kinerja ternormalisasi dari
alternatif Ai pada setiap atribut Cj ; i = 1, 2,…m dan j = 1, 2, ..n.
Nilai preferensi untuk setiap alternatif (V) diberikan
persamaan :
89
𝒏
𝑽𝒊 = ∑ 𝑾𝒋 𝒓𝒊𝒋
𝒋=𝟏
Keterangan :
Vi = Nilai akhir dari alternatif
Wj = Bobot yang telah ditentukan
rij = Normalisasi matriks
Nilai V yang lebih besar mengindikasikan bahwa alternatif
Ai lebih terpilih.
90
Berdasarkan hasil peneliaan dari Perguruan Tinggi terdapat
tujuh alternatif Dosen dengan nilai pada masing-masing kriteria
dapat dilihat pada tabel 9.2. berikut ini.
Tabel 9.2 Penilaian dari Setiap Alternatif
No Dosen C1 C2 C3 C4
1 Afifa 80 90 90 75
2 M.Zaky 90 90 85 80
3 Yunizar 70 80 75 80
4 Al Syafig 80 80 70 85
5 Siti 70 70 80 70
6 Choirunnisa 90 85 80 80
7 Hanafiah 70 70 70 90
Penyelesaian :
Langkah awal adalah elakukan normalisasi pada setiap nilai
alternatif di setiap atribut denga cara menghitung rating kinerja :
1. Pertama Normalisasi untuk nilai bagian pendidikan (C1) :
80
𝑅11 = 𝑚𝑎𝑥(80,90,70,80,70,90,70) = 80/90 = 0,889
90
𝑅21 = 𝑚𝑎𝑥(80,90,70,80,70,90,70) = 90/90 = 1
70
𝑅31 = 𝑚𝑎𝑥(80,90,70,80,70,90,70) = 70/90 = 0,777
80
𝑅41 = 𝑚𝑎𝑥(80,90,70,80,70,90,70) = 80/90 = 0,889
70
𝑅51 = 𝑚𝑎𝑥(80,90,70,80,70,90,70) = 70/90 = 0,777
90
𝑅61 = 𝑚𝑎𝑥(80,90,70,80,70,90,70) = 90/90 = 1
70
𝑅71 = 𝑚𝑎𝑥(80,90,70,80,70,90,70) = 70/90 = 0,777
91
80
𝑅32 = 𝑚𝑎𝑥(90,90,80,80,70,85,70) = 80/90 = 0,889
80
𝑅42 = 𝑚𝑎𝑥(90,90,80,80,70,85,70) = 80/90 = 0,889
70
𝑅52 = 𝑚𝑎𝑥(90,90,80,80,70,85,70) = 70/90 = 0,777
85
𝑅62 = 𝑚𝑎𝑥(90,90,80,80,70,85,70) = 85/90 = 0,944
70
𝑅72 = 𝑚𝑎𝑥(90,90,80,80,70,85,70) = 70/90 = 0,777
92
Maka diperoleh Matrik Ternormalisasi sebagai berikut :
0,889 1 1 0,833
1 1 0,944 0,889
0,777 0,889 0,833 0,889
0,889 0,889 0,777 0,944
0,777 0,777 0,889 0,777
1 0,944 0,889 0,889
0,777 0,777 0,777 1
( )
93
6. Melakukan perangkingan berdasarkan nilai bobot
preferensinya :
Berdasarkan nilai yang di dapat dari perhitungan sebelumnya,
dihasilkan tabel perangkingan, dimana nilai tertinggi menjadi
rangking tertinggi (Dosen Berprestasi). Hasil perangkingan
dapat dilihat pada Tabel 9.3 berikut ini :
Tabel 9.3 Perangkingan (Peringkat Dosen Berprestasi)
Dosen Nilai Bobot Preferensi (Vi) Peringkat
Afifa 93.33 Peringkat 3
M.Zaky 98,33 Peringkat 1
Yunizar 83,29 Peringkat 5
Al Syafig 88,32 Peringkat 4
Siti 78,81 Peringkat 7
Choirunnisa 95,82 Peringkat 2
Hanafiah 79,92 Peringkat 6
94
Bab 10. Metode CPM/PERT
10.1 Pendahuluan
Selain memerlukan SDM yang handal, pekerjaan sebuah
proyek juga harus diperkut dengan sistem manajemen yang baik.
Sebelum pelaksanaan sebuah proyek, kegiatan perencanaan
proyek adalah masalah esensial dikarenakan menjadi dasar
sebuah proyek dapat dilaksanakan dengan tepat waktu dan biaya
optimal. Untuk membantu perencanaan sebuah proyek, metode
CPM (Critical Path Method) dan PERT (Program Evaluation and
Review Technique) adalah alat atau metode yang digunakan
berkaitan dengan perencanaan, pengendalian biaya serta waktu
penyelesaian sebuah proyek.
Penerapan metode CPM dan PERT dalam pelaksanaan
proyek membantu pekerjaan proyek berjalan sesuai rencana
serta berdampak pada hasil yang lebih memuaskan. Waktu dan
biaya pada perencanaan proyek konstruksi yang dioptimalkan
sangat penting untuk diketahui. Sehingga diperlukan jaringan
kerja proyek (network) agar bisa dilakukan optimasi.
Berdasarkan jaringan kerja tersebut, akan diketahui kegiatan-
kegiatan yang bersifat kritis dan durasi proyek dapat dihitung.
Sedangkan pada metode PERT ditekankan pada upaya
mendapatkan durasi waktu yang paling baik. Perencanaan
proyek menggunakan metode PERT dilakukan dengan membagi
proyek kedalam banyak event dan kegiatan berupa bagian-bagian
kecil setiap pekerjaan. Sedangkan pada bagian kegiatannya
ditentukan waktu yang diperlukan yang menghasilkan waktu
penyelesaian proyek secara keseluruhan dapat lebih teliti.
95
Sedikit berbeda dengan metode PERT, maka metode CPM
merupakan alat bantu untuk merencanakan dan mampu
mengendalikan waktu serta biaya agar waktu penyelesaian
sebuah proyek dan biaya dapat ditekan seminimal mungkin. Para
praktisi banyak menggunakan metode perencanaan proyek
melalui metode CPM dan PERT yang mampu mengkategorikan
kegiatan kritis dan tidak kritis. Aktivitas dikategorikan kritis
apabila pelaksanaan dari aktivitas proyek tersebut tidak dapat
ditunda. Dikarenakan apabila terjadi penundaan akan
mempengaruhi kegiatan dan aktivitas lainnya sehingga total
waktu penyelesaian proyek semakin lama. Sedangkan aktivitas
tidak kritis berlaku sebaliknya, tidak berdampak pada aktivitas
lainnya apabila terjadi penundaan dan waktu penyelesaian
proyek tidak terpengaruh secara keseluruhan. Dengan
menggunakan sistem CPM dan PERT maka diharapkan proyek
pekerjaan akan dilaksanakan secara terkendali, sistematis,
efektif, dan efisien (Wulan ER, 2019).
Meskipun pada awalnya sistem PERT digunakan sebagai
evaluator penjadwalan program penelitian dan pengembangan,
namun juga dapat dimanfaatkan untuk mengukur dan
mengendalikan progress pada proyek-proyek khusus seperti
poyek pemrograman komputer, penyiapan dan penawaran
proposal proyek, instalasi sistem komputer, bahkan telah banyak
digunakan untuk kepentingan produksi film, kampanye politik
dan proyek besar lainnya (Hiller FS. et al, 1990).
96
Sehingga diperlukan metode untuk mengelola proyek sehingga
progress sebuah proyek sesuai dengan rencana awal. Metode
yang dapat membantu mempercepat waktu pengerjaan proyek
adalah metode CPM yaitu Critical path methode atau biasa disebut
Jalur Kritis, dan PERT singkatan dari Project Evaluation and
Review Technique.
Untuk proyek dalam skala besar, metode CPM atau PERT
adalah metode yang paling sering digunakan yang mampu
menghindari terjadinya penundaan akibat kendala produksi dan
melakukan koordinasi semua bagian dalam proyek secara
optimal. Dengan menggunakan metode ini diharapkan
pelaksanaan proyek dapat terkendali dan sistematis sehingga
waktu penyelesaian proyek dapat efesien dan efektif. Konsep
CPM dan PERT akan dijelaskan berikutnya.
97
5. Melakukan identifikasi jalur kritis
6. Melakukan perbaruan diagram CPM
98
10.5 Simbol-simbol yang digunakan
Untuk menggambarkan suatu jaringan, menggunakan tiga
jenis simbol (Herjanto E., 1999) yaitu :
1. Anak panah (arrow) yang disimbolkan dengan tanda →,
menyatakan kegiatan atau aktivitas (activity). Kegiatan ini
diartikan sebagai hal yang memerlukan durasi (duration)
dalam pemakaian resources (tenaga kerja, peralatan,
material, biaya). Jumlah waktu yang diperlukan untuk
menyelesaikan seluruh pekerjaan proyek dinamakan durasi
proyek (Maharany dan Fajarwati, 2006). Kepala anak panah
menjadi pedoman arah tiap kegiatan/aktivitas yang
menunjukkan bahwa kegiatan dimulai dari permulaan dan
berjalan maju sampai akhir dengan arah kiri ke kanan.
Bentuk anak panah tidak harus berupa garis lurus, namun
bisa berupa garis lengkung atau atas dasar estetika sehingga
penampilan diagram jaringan menjadi lebih menarik.
2. Lingkaran kecil (node) yang disimbolkan dengan tanda ,
menyatakan sebuah kejadian atau peristiwa (event). Setiap
kegiatan selalu dimulai dengan dengan peristiwa dan diakhiri
dengan peristiwa. Setiap peristiwa diberi penomoran sebagai
pembeda antar peristiwa. Penomoran dilakukan secara
ascending order.
3. Anak panah terputus-putus (dummy), menunjukkan kegiatan
semu (dummy) yang berfungsi untuk membatasi mulainya
kegiatan. Kegiatan dummy memiliki durasi nol karena hanya
sebagai penghubung antara dua kegiatan.
Penggunaan simbol-simbol tersebut diatas mengikuti
aturan-aturan antara lain (Dimyati, 2018) :
1. Apabila terdapat 2 event yang sama, hanya digambar dengan
1 anak panah saja.
2. Nama sebuah kegiatan/aktivitas diberi tanda huruf atau
nomor.
99
3. Aktivitas/kegiatan mengalir mulai dari peristiwa/event
bernomor rendah ke peristiwa/event bernomor tinggi
(ascending order).
4. Diagram hanya memiliki 1 initial event dan 1 terminal event.
Untuk mempermudah pemahaman menggambar jaringan,
akan diberikan contoh berikut ini.
Dari sebuah proyek diperoleh data sebagai berikut :
Tabel 10.1 Rincian kegiatan dan waktu proyek PT. X
Aktivitas Aktivitas Lama kegiatan
Pendahulu (hari)
A - 6
B A 3
C A 5
D B 6
E C 10
F D, E 11
Terminal event
Peristiwa B 3 D
a
3 6
A F
1 2 Aktivitas 5 6
6 11
C E
Durasi
Initial event 5 10
100
Ketentuan Logika Kegiatan
Dengan melihat contoh diagram jaringan diatas, berikut beberapa
hal yang harus diperhatikan dalam analisis jaringan yaitu antara
lain :
1 A B Kegiatan B bisa
1 2
6 3
3 dimulai setelah
kegiatan A selesai
2 Kegiatan F bisa
3 D dimulai setelah
6 F kegiatan D dan E
5 6
E 11 selesai. Kegiatan D
4 10 dan E tidak boleh
dilaksanakan secara
bersamaan, tetapi
bisa berakhir pada
kejadian yang sama.
3 Kegiatan F dan G
3 D 6 dapat dimulai
F
6 11 setelah kegiatan D
5 G
E dan E selesai, dan
7 6
4 10 berakhir pada
kejadian yang
berbeda.
101
4 Dua kejadian yang
3 D saling
6 ketergantungan
yang dihubungkan
5
dengan dummy.
E
10
102
masing kegiatan diketahui terlebih dahulu, hubungan antara
kegiatan lain dan kapan kegiatan tersebut dimulai dan berakhir.
Penentuan waktu proyek mengenal beberapa istilah yaitu
antara lain:
1. Earliest activity start time (ES) menunjukkan saat tercepat
dimulainya aktivitas.
2. Earliest activity finish time (EF) menunjukkan saat tercepat
diselesaikannya aktivitas.
3. Latest activity start time (LS) menunjukkan saat paling
lambat dimulainya aktivitas.
4. Latest activity finish time (LF) menunjukkan saat paling
lambat diselesaikannya aktivitas.
Perhitungan waktu penyelesaian proyek dilakukan dengan
2 tahap yaitu :
a. Menghitung ES dan EF yang dilakukan secara maju (forward
computation) yaitu dimulai dari aktivitas awal (peristiwa
saat dimulainya proyek) sampai aktivitas terakhir (peristiwa
saat berakhirnya proyek). EF untuk suatu aktivitas sama
dengan ES ditambah dengan durasi waktu untuk
melaksanakan aktivitas tersebut. Atau bisa dirumuskan :
𝐸𝐹𝑥 = 𝐸𝑆𝑥 + 𝑡𝑥
𝐿𝑆𝑥 = 𝐿𝐹𝑥 − 𝑡𝑥
Perhitungan waktu proyek dilakukan melalui tabel tabular
atau bantuan gambar diagram jaringan sehingga dapat
memudahkan dalam menghitung EF dan LF. Untuk
membantu perhitungan maju dan mundur ini, lingkaran
103
(node) peristiwa/kejadian (event dibagi atas tiga bagian yaitu
seperti gambar 10.1.
a = nomor peristiwa
a
b = saat tercepat terjadinya peristiwa
b c – earliest event occurance time
(TE)
c = saat paling lambat terjadinya
peristiwa – latest event occurance
time (TE)
C E
5 10
4
11 11
105
10.7 Perhitungan Waktu Tenggang (Float/Slack) dan Jalur
Kritis
Waktu tenggang aktivitas (activity float time atau slack
dapat dirumuskan :
Sx=LFx-EFx = LSx-Esx
Sebagai contoh misalnya diketahui nilai S=5, itu berarti
aktivitas tersebut dapat mulai tepat pada saat ES atau mundur 1
hari, 2 hari, dan maksimal mundur yang diizinkan adalah 5 hari
saat dari ES. Sedangkan jalur kritis adalah adalah jalur yang
memiliki aktivitas-aktivitas kritis karena memiliki nilai S=0 atau
bisa dilihat berdasarkan kesamaan antara nilai EF=LF.
Perhitungan untuk menentukan jalur kritis dapat dilihat pada
tabel 10.3 dibawah ini.
Tabel 10.3 Perhitungan Slack dan menentukan jalur kritis
Aktivitas Lama ES EF LS LF Total Float
aktivitas (S)
(hari)
A 6 0 6 0 6 0*
B 3 6 9 6 15 6
C 5 6 11 6 11 0*
D 6 9 21 15 21 0*
E 10 11 21 11 21 0*
F 11 21 32 21 32 0*
*) Aktivitas kritis
Apabila digambarkan, maka jalur kritis akan terlihat dengan
garis panah tebal seperti gambar 10.3.
106
3
B 9 15 D
A 3 6
1 2 5 F 6
0 0 6 6 21 21 11 32 32
6
C E
5 10
4
11 11
107
Bab 11. Markov Model
11.1 Pendahuluan
Andrey Andreyevich Markov (14 Juni 1856–20 Juli 1922)
merupakan seorang matematikawan ternama dari Rusia yang
berjasa karena karyanya terkait proses stokastik. Proses
stokastik merupakan metode untuk menjelaskan hubungan
antara sekumpulan peristiwa aca, dimana proses stokastik ini
berfungsi untuk memodelkan suatu sistem yang berubah secara
acak seiring berjalannya waktu. Subjek utama penelitian Andrey
Andreyevich Markov dikemudian hari dikenal sebagai rantai
Markov atau proses Markov. Suatu prose stokastik dinotasikan
dengan {Xt}. (Karlin & Taylor, 2012).
Model Markov model (proses) adalah proses stokastik
untuk sistem kerja yang berubah secara random yang dapat
terima bahwa keadaan masa depan tidak bergantung pada
keadaan masa lalu. Model-model ini menunjukkan semua
keadaan transisi, laju transisi, dan probabilitas.antung pada
keadaan masa lalu. Model-model ini menunjukkan semua
keadaan potensial serta kemajuan, laju kemajuan, dan
probabilitas di antara mereka. Penerapan Model Markov untuk
memodelkan probabilitas berbagai keadaan serta tingkat
transisi. Secara umum, metode ini digunakan untuk memodelkan
sistem. Model Markov juga dapat digunakan untuk mengenali
pola, memprediksi hasil, dan mempelajari statistik data
sekuensial.
Proses Markov merupakan suatu proses yang dapat berada
di lebih dari satu keadaan, dapat bertransisi antara keadaan
tersebut, dan di mana keadaan tersedia serta probabilitas transisi
ditentukan oleh keadaan sistem saat ini. Sehingga, proses Markov
108
tidak memiliki memori. Diskusi tentang pemodelan Markov
dimulai dengan komponen dasar model Markov: keadaan dan
transisi. Tentang bagaimana keadaan dan transisi digunakan
untuk mengekspresikan perilaku sistem, maka diperlukan
keterlibatan Model Markov, dan bagaimana estimasi keandalan
dapat diperoleh dari solusi model Markov. Penting juga untuk
mengetahui kelebihan dan kekurangan pemodelan Markov
dibandingkan dengan teknik pemodelan lain, dan mengapa
pemodelan Markov lebih disukai daripada teknik yang lain.
Proses Markov merupakan suatu proses stokastik yang
memenuhi kondisi Markov, dimana bahwa kondisi pada waktu
saat ini, peluang suatu kejadian di masa depan tidak dipengaruhi
oleh adanya kondisi tambahan terkait perilaku prosesnya di masa
lampau. Sehingga dapat dituliskan sebagai berikut,
Pr{𝑋𝑛+1 = 𝑗|𝑋0 = 𝑖0 , . . , 𝑋𝑛−1= 𝑖𝑛−1 , 𝑋𝑛 = 𝑖} = Pr {𝑋𝑛+1 =
𝑗|𝑋𝑛 = 𝑖}
Setiap n, io, …, in-1,i, j.
109
Terhadap model deterministik, yang memprediksi hasil
dengan pasti, dengan seperangkat persamaan yang
menggambarkan input dan output sistem secara tepat, model
stokastik mewakili situasi di mana ketidakpastian hadir. Dengan
kata lain, ini adalah model untuk proses yang memiliki semacam
keacakan (Meyn and Tweedie, 1993).
Stokastik berasal dari bahasa Yunani yang berarti acak atau
kebetulan. Suatu pemodelan deterministik mampu memprediksi
hasil tunggal dari suatu himpunan yang diberikan dari suatu
keadaan. Proses stokastik merupakan urutan peristiwa yang hasil
dari tiap tahap tergantung pada probabilitas. Pemodelan proses
stokastik ditentukan oleh waktu, faktanya bahwa model stokastik
merupakan suatu alat untuk memprediksi distribusi probabilitas
dari suatu hasil potensial dengan menginput variasi acak dari
setiap waktu. Pengertian proses stokastik merupakan suatu
kumpulan dari suatu variabel acak diartiadefinisikan sebagai
kumpulan dari variabel acak X = {Xt:t ϵ T} diartikan pada ruang
probabilitas bersama, mengambil nilai dalam himpunan umum S
(ruang keadaan), dan diindeks oleh himpunan T.
110
Model Markov dapat berbentuk persamaan atau model
grafis. Untuk menggambarkan potensi perubahan transisi antara
keadaan, model grafis Markov menggunakan lingkaran (masing-
masing berisi keadaan) dan panah arah. Tingkat atau tingkat
variabel diberi label pada panah arah. Bahasa pemodelan,
pemrosesan bahasa alami (NLP), pemrosesan gambar,
bioinformatika, pengenalan suara, dan sistem perangkat keras
dan perangkat lunak komputer adalah contoh aplikasi pemodelan
Markov.
Hal terpenting dari proses stokastik adalah proses Markov
dan rantai Markov. Proses Markov adalah proses yang memenuhi
Markov Property (tanpa memori), distribusi status berikutnya
(atau pengamatan) tergantung pada keadaan saat ini. Bahwa
proses stokastik X(t) adalah proses Markov, apabila memiliki
sifat-sifat berikut:
1. Banyaknya kemungkinan hasil atau keadaan berhingga.
2. Probabilitas konstan sepanjang waktu.
3. Properti tanpa memori
Analisis Markov ialah suatu metode yang menganalisa
hubungan antara probabilitas akan state di masa depan dengan
menganalisa probabilitas dimasa sekarang (Barry Render, 2006).
Metode ini mempuyai beragam tool yang dapat diaplikaasiokan
di berbagai bidang kehidupan. Pengertian selanjtnya terkait
Analisis Markov adalah metode untuk menganalisa kejadian
ataupun perilaku sekarang yang mempunyai beberapa variabel
dengan maksud untuk memprediksi kejadian atau dari variabel
dimasa depan.
111
diterjemahkan `simbol' dan faktor yang tak terlihat yang
mendasari pengamatan sebagai `keadaan'. Terdapat 2 proses
stokastik yang ada pada HMM, yaitu proses yang tidak terlihat
dari keadaan tersembunyi dan proses yang terlihat dari simbol
yang dapat diamati. Keadaan tersembunyi (Hidden States)
membentuk rantai Markov (Markov chain), dan distribusi
probabilitas dari simbol bergantung pada keadaan yang
mendasarinya. Sehigga dari kejadian tersebut maka HMM disebut
juga sebagai proses stokastik ganda.
Awal mula HMM terdapat 2 bagian, yang pertama adalah
Markov Process dan Markov Chain. Yang kedua adalah algoritma
yang diperlukan untuk mengembangkan Hidden Markov Model
(HMM) untuk memecahkan masalah diSejarah HMM terdiri dari
dua bagian. Di satu sisi ada sejarah Proses Markov dan rantai
Markov, dan di sisi lain ada sejarah algoritma diperlukan untuk
mengembangkan Model Markov Tersembunyi untuk
memecahkan masalah di penerapan dunia modern dengan
menggunakan computer (Baldi dan Brunak, 1998).
Rantai Markov dapat disebut sebagai proses Markov yang
spesifik dengan ruang keadaan terbatas atau bisa dihitung.
Bahwa satu set suatu keadaan, S = si, . . . sr} sehingga
penggambaran rantai Markov sebagai proses dimulai dari dari
keadaan saat ini yang bergerak berurutan dari suatu keadaan ke
keadaan lainnya. Gerakan ini disebut sebagai langkah. Jika rantai
saat ini dalam keadaan si, maka ia bergerak ke keadaan sj pada
langkah berikutnya dengan probabilitas yang dilambangkan
dengan pij; dimana probabilitas tidak bergantung pada status
rantai sebelum status sekarang. Probabilitas pij disebut transisi
probabilitas dan didefinisikan sebagai probabilitas bahwa rantai
Markov yang berada pada titik waktu selanjutnya dalam keadaan
j, mengingat rantai tersebut berada di titik waktu saat ini pada
keadaan i. Matriks P dengan elemen pij disebut matriks
probabilitas transisi dari rantai Markov.
112
Keadaan yang dapat dihitung, dapat mempergunakan
bilangan bulat Z atau himpunan bagian seperti Z (bilangan bulat
non-negatif), bilangan asli (1; 2; 3; dst) sebagai ruang keadaan.
Keadaan tersebut merupakan rantai Markov sebagai waktu yang
homogen atau stasioner probabilitas transisi. Kemudian, peluang
transisi dari i ke j antara titik waktu n dan n+1 diberikan oleh
kondisional fungsi probabilitas P(Xn+1 = j | Xn = i). Dengan asumsi
bahwa probabilitas transisi adalah sama untuk semua titik waktu
sehingga tidak ada indeks waktu yang diperlukan di sisi kiri.
Bahwa proses Xn dalam keadaan tertentu, baris yang sesuai dari
matriks transisi berisi distribusi Xn+1, memberikan pengertian
jumlah probabilitas atas semua kemungkinan keadaan sama
dengan satu.
Table 11.1 Transition probability matrix
Time t+1
State s1 s2 s3 s4 sum
s1 p11 p11 p12 p13 1
Time t s2 P21 P21 p22 p23 1
s3 p31 p31 p32 p33 1
s2 p41 p31 p43 p43 1
pij = p(qt+1 = Sj | qt = Si)
113
Setelah arsitektur HMM diputuskan, untuk menganalisis
dan mendeskripsikan data di hampir semua aplikasi HMM, maka
terdapat 3 langkah untuk menjawab pertanyaan berbeda yang
harus dipecahkan:
1. Berapa peluang barisan yang diamati menurut HMM yang
diberikan?
2. Bagaimana menemukan urutan keadaan optimal yang akan
digunakan HMM untuk menghasilkan urutan yang diamati?
3. Bagaimana menemukan struktur dan parameter HMM yang
paling baik untuk data?
Secara umum, untuk menggunakan HMM dalam konteks
aplikasi, misalnya, dalam komputasi, untuk menyelesaikan
pertanyaan ini, harus mampu:
a. Evaluasi
Mengevaluasi kemungkinan model yang diberikan
pengamatan, yaitu untuk menghitung probabilitas urutan
pengamatan sebuah contoh.
b. Decode
Dekode urutan keadaan yang paling mungkin diberikan
pengamatan, yaitu, untuk menemukan urutan keadaan yang
sesuai optimal yang diberikan urutan pengamatan dan
modelnya. Tujuan dari decoding adalah untuk menemukan
urutan keadaan optimal yang terkait dengan urutan
pengamatan yang diberikan. Ada beberapa kemungkinan
cara untuk memecahkan masalah ini. Salah satu solusi
optimalitas yang mungkin diusulkan oleh algoritma Viterbi
(Viterbi, 1967). Viterbi algoritma menggunakan pendekatan
pemrograman dinamis untuk menemukan urutan yang
paling mungkin dari keadaan Q yang diberikan urutan yang
diamati O dan model l. Ini bekerja mirip dengan algoritma
maju. Tujuannya adalah untuk mendapatkan jalur yang
paling mungkin melalui HMM untuk observasi yang
114
diberikan; maka, hanya transisi yang paling mungkin dari
keadaan sebelumnya ke keadaan sekarang yang penting.
c. Learning
Pembelajaran untuk mengestimasi parameter model
(probabilitas awal, probabilitas transisi, dan probabilitas
emisi) yang paling menjelaskan urutan pengamatan yang
diberikan struktur model, menggambarkan hubungan antar
variabel. Cara untuk dapat menyesuaikan parameter HMM
yang disebut himpunan pelatihan, ialah dengan melibatkan
penyesuaian probabilitas transisi dan keluaran sampai
model tercapai proses yang cocok. Penyesuaian ini dilakukan
dengan menggunakan teknik untuk pengoptimalan.
Bagaimana mempelajari parameter HMM dari pengamatan?
Semuanya terdapat pada aplikasi, sehingga kuantitas yang
harus dioptimalkan selama proses pembelajaran. Hanya cara
ini yang mampu untuk menganalisis dan menyelasaikan
permasalahan ini. Oleh sebab itua itu prosedur iteratif atau
teknik gradien untuk optimasi dapat digunakan. Disini kami
hanya akan menyajikan prosedur iteratif.
Algoritma EM (Expectation Maximization) adalah metode
iteratif untuk mencari nilai maksimum perkiraan kemungkinan
(MLE). Ini akan memungkinkan kita melatih probabilitas transisi
A dan probabilitas emisi B dari HMM. Dia bekerja dengan
menghitung perkiraan awal untuk probabilitas, kemudian
menggunakan perkiraan tersebut untuk menghitung perkiraan
yang lebih baik, dan seterusnya, secara iteratif meningkatkan
probabilitas yang dipelajarinya. Algoritma iteratif ini bergantian
antara melakukan langkah harapan (Estep) dan langkah
maksimalisasi (m-langkah). Dalam langkah-E, jumlah waktu yang
diharapkan dari setiap transisi dihitung (kemungkinan log yang
diharapkan) dan emisi digunakan untuk set pelatihan. Dalam
langkah-M, parameter transisi dan emisi, yang memaksimalkan
115
kemungkinan log yang diharapkan dalam langkah-E diperbarui,
menggunakan rumus estimasi ulang.
Setiap siklus iterasi EM melibatkan dua langkah, langkah-E
diikuti oleh langkah-M, secara bergantian mengoptimalkan
kemungkinan log dengan sehubungan dengan probabilitas
posterior dan parameter, masing-masing. Dalam E-langkah kami
menghitung probabilitas posterior data laten menggunakan
estimasi arus untuk parameter (p, a, b) model l pada waktu t.
Untuk melakukan E-step, fungsi loglikelihood yang diharapkan
dimaksimalkan di bawah parameter estimasi saat ini dan
dihitung, dengan menggunakan estimasi posterior kemungkinan
data tersembunyi. Dalam langkah-M: parameter baru yang
memaksimalkan kemungkinan log yang diharapkan yang
ditemukan di langkah-E adalah yang telah diperkirakan. Dari
definisi variabel maju dan mundur, kita dapat menghitung t(i,j),
yang mewakili keadaan posterior probabilitas suatu variabel dan
kombinasi keadaan dari dua variabel yang berdekatan.
116
tonggak sejarah yang penting yang memicu suatu implementasi
serta integrasi deterministic dan otomatisasi stokastik pada
computer (Karlin & Taylor, 2012).
HMM diterapkan untuk tujuan pengenalan suara otomatis.
Meskipun pidato digital sinyal itu sendiri sudah merupakan
urutan linier sampel, model statistik ucapan selalu mulai dari
representasi fitur yang sesuai. Ini bertujuan untuk
menggambarkan secara numerik sifat-sifat karakteristik unit
bicara yang terutama ditentukan oleh komposisi spektral lokal
dari sinyal. Ekstraksi fitur ini perlu dilakukan pada bagian pidato
di mana sifat-sifat yang dimaksud bervariasi sedikit seperti
mungkin dari waktu ke waktu karena tidak ada informasi
segmentasi yang tersedia pada tahap awal ini pengolahan. Oleh
karena itu, di satu sisi masing-masing bagian harus cukup
pendek. Di sisi lain, mereka juga harus cukup panjang untuk
membuat perhitungan karakteristik spektral yang berguna
mungkin.
HMM dipergunakan untuk mereproduksi sifat statistik dari
urutan vektor fitur yang dihasilkan oleh analisis jangka pendek.
Biasanya, untuk tujuan ini pendekatan modular diterapkan untuk
deskripsi struktur pidato yang kompleks. Model untuk kata-kata
dibangun oleh penggabungan berdasarkan model untuk unit
dasar seperti, misalnya, telepon. Urutan model kata sewenang-
wenang dari leksikon yang diberikan kemudian mendefinisikan
model untuk diucapkan ucapan dari domain aplikasi tertentu.
Model keseluruhan lagi-lagi tersembunyi Model Markov.
Berdasarkan urutan vektor, segmentasinya ke dalam
urutan kata masing-masing dapat diperoleh dengan menghitung
urutan keadaan optimal melalui model. Urutan keadaan ini
melewati model kata tertentu yang dengan konstruksi
merupakan bagian dari model ucapan. Oleh karena itu,
representasi tekstual optimal yang sesuai dapat diturunkan
dengan mudah. Berbeda dengan HMM, model n-gram biasanya
117
tidak mengandung variabel keadaan tersembunyi. Oleh karena
itu, parameternya pada prinsipnya dapat dihitung secara
langsung berdasarkan contoh data, yaitu, tanpa memerlukan
beberapa prosedur optimasi berulang. Dengan ketentuan
seseorang puas dengan mendefinisikan probabilitas bersyarat
melalui frekuensi relatif, model dapat langsung ditentukan
setelah menghitung peristiwa yang diamati dalam kumpulan
sampel.
Kelas metode yang paling banyak digunakan untuk
memecahkan masalah ini berlangsung di dua langkah. Pertama
distribusi empiris dimodifikasi sedemikian rupa sehingga
redistribusi massa probabilitas dari peristiwa yang terlihat ke
peristiwa yang tidak terlihat terjadi. Seperti manipulasi itu
biasanya menghasilkan perubahan yang sangat kecil saja,
kemungkinan kejadian yang terlihat hampir tidak diubah. Efek
yang relevan dari pendekatan itu, oleh karena itu, pengumpulan
"massa probabilitas" untuk dapat mendefinisikan probabilitas
baru yang sangat kecil untuk n-gram tidak diamati dalam
kumpulan sampel.
Pada langkah kedua, perkiraan kuat dihitung berdasarkan
distribusi empiris yang dimodifikasi dengan memasukkan satu
atau bahkan beberapa distribusi yang lebih umum. Untuk
kejadian yang sering diamati, pengaruh modifikasi ini dapat
dijaga tetap kecil atau dapat dihilangkan sama sekali. Namun,
untuk n-gram yang tidak terlihat, penting untuk tidak
mendistribusikan massa probabilitas yang terkumpul secara
seragam tetapi berdasarkan distribusi yang lebih umum—
biasanya salah satu model gram terkait (n 1). Sebaliknya semua
peristiwa yang tidak terlihat akan diberi probabilitas yang sama
yang tidak akan terlalu masuk akal.
Semua metode lain untuk menghaluskan probabilitas n-
gram didasarkan pada prinsip mendistribusikan kembali massa
probabilitas. Ini berarti bahwa frekuensi yang dihitung adalah
118
diperlukan untuk menghilangkan peristiwa yang tidak terlihat,
pertama-tama dikumpulkan di beberapa posisi lain distribusi
probabilitas asli. Dengan ini tidak hanya kondisi normalisasi dari
frekuensi relatif tidak berubah tetapi mungkin juga jumlah yang
berbeda massa kemungkinan diperoleh untuk peristiwa tak
terlihat tergantung pada sifat-sifat distribusi mulai
dipertimbangkan dan strategi redistribusi diterapkan. Dengan
demikian bisa dikendalikan sampai batas tertentu apakah
pengamatan peristiwa tersebut, yang menikmati sangat langka,
lebih atau kurang mungkin dalam konteks tertentu.
Varian yang paling terkenal dari teknik n-gram mencoba
untuk mengeksploitasi fakta bahwa bahasa alami di samping
struktur sintagmatik menunjukkan struktur paradigmatik, juga.
Ini berarti bahwa dalam konteks linguistik yang berbeda tidak
hanya kata tertentu, tetapi juga seluruh kelompok kata atau frasa
dapat terjadi juga. Dalam setiap kasus diperoleh ujaran yang
terbentuk secara sintaksis dengan baik meskipun maknanya
secara umum akan diubah dengan pertukaran seperti itu.
Saat mencoba menangkap situasi seperti itu dengan model
n-gram, orang akan memperhatikan bahwa semua kemungkinan
kombinasi perlu terjadi setidaknya sekali dalam kumpulan
sampel yang dipertimbangkan. Masih belum ada aturan
paradigmatik yang dapat direpresentasikan secara abstrak.
Dalam urutan untuk membuat, misalnya, kemunculan nama kota
kemungkinan yang sama dalam semua konteks yang relevan,
semua nama ini perlu diamati dalam konteks masing-masing.
Saat mencoba menangkap situasi seperti itu dengan model
n-gram, orang akan memperhatikan bahwa semua kemungkinan
kombinasi perlu terjadi setidaknya sekali dalam kumpulan
sampel yang dipertimbangkan. Masih belum ada aturan
paradigmatik yang dapat ditampilkan secara abstrak. dalam
urutan untuk membuat, misalnya, kemunculan nama kota
119
kemungkinan yang sama dalam semua konteks yang relevan,
semua nama ini perlu diamati dalam konteks masing-masing.
120
Bab 12. Metode Langkah Maju Dan Metode
Langkah Mundur
121
dimulai dari kesimpulan sementara, dan “untuk menguji
kebenaran kesimpulan wajib dicari apakah ada fakta-fakta yang
terdapat dalam basis pengetahuan”yang cocok dengan hipotesis
tersebut. Metode langkah maju digunakan untuk memusatkan
sistem ke suatu ketentuan tertentu, pemilihan ketentuan
didasarkan pada urutan langkah. Sebagai contoh, ketika sistem
pertama kali dijalankan maka penalaran maju diterapkan untuk
mengacu pada ketentuan awal yang diseleksi oleh pengguna
(Permata Sari, 2019).
Sebaiknya metode langkah mundur digunakan untuk
menguji apakah sistem memiliki fakta/informasi yang sesuai
dengan ketentuan yang telah ditetapkan di awal. Metode
inferensi dalam penggunaannya pada sistem pakar bisa
digunakan secara terpisah maupun dengan menggabungkan
kedua jenis metode langkah maju maupun metode langkah
mundur tergantung kepada permasalahan yang dihadapi yang
akan diselesaikan dengan menggunakan teknik penelusuran
yang ada pada mesin infrensi (Sari et al., 2020).
122
(konklusi) (Kurniadi et al., 2021). Metode Langkah maju (Forward
method) melakukan pencarian dari suatu masalah kepada
solusinya. Jika klausa premis sesuai dengan situasi, maka
proses akan memberikan kesimpulan.
Pada Metode Langkah maju (forward method) diartikan
sebagai pendekatan yang berbasis data. “Dalam pendekatan ini,
penelusuran dimulai dari informasi masukan, dan selanjutnya
mencoba menggambarkan kesimpulan”. Sehingga metode ini
juga sering disebut “data driven” yang dimulai dari fakta-fakta
atau informasi masukan (if) lebih dahulu kemudian menuju
kepada kesimpulan (then).
Fakta 1
Kesimpulan 1 s
Fakta 2 o
Fakta 3
Kesimpulan 2 l
u
Fakta 4
Kesimpulan 3 s
Fakta 5
i
123
diperoleh kesimpulan 1,jika fakta 2, fakta 3 dan fakta 4, maka
digunakan aturan 2 sehingga diperoleh kesimpulan 2, tetapi jika
fakta 1, Fakta 2, fakta 3 dan fakta 5 maka digunakan aturan 3,
maka hasilnya kesimpulan 3.
Contoh Kasus Metode Langkah Maju, misalkan system
pakar menggunakan 4 aturan sebagai berikut :
1. Aturan 1 : IF ( Y dan S ) Maka Z
2. Aturan 2 : IF ( X dan Q dan T ) Maka Y
3. Aturan 3 : IF ( P Maka X )
4. Aturan 4 : IF ( R Maka U)
Fakta-fakta P, Q, R, S dan T adalah bernilai benar
Tujuannya adalah untuk menentukan apakah Z bernilai benar
Langkah-Langkahnya sebagai berikut:
a. Proses 1
Database (Fakta
Fakta Baru
Awal)
P Q R S T X
Basis Pengetahuan
• Aturan 1 : IF ( Y dan S ) Maka Z
• Aturan 2 : IF ( X dan Q dan T ) Maka Y
• Aturan 3 : IF ( P Maka X )
• Aturan 4 : IF ( R Maka U)
Database (Fakta
Fakta Baru
Awal)
P Q R S T X, U
Basis Pengetahuan
• Aturan 1 : IF ( Y dan S ) Maka Z
• Aturan 2 : IF ( X dan Q dan T ) Maka Y
• Aturan 3 : IF ( P Maka X )
• Aturan 4 : IF ( R Maka U)
124
Pada Proses 1 dimulai dengan penelusuran Fakta P dengan
menggunakan aturan 3 maka diperoleh fakta baru yaitu X,
selanjutnya dilakukan penelusuran terhadap fakta R dengan
menggunakan aturan 4 maka diperoleh fakta baru yaitu U.
Aturan 3 dan aturan 4 telah ditelusuri namun tujuan yaitu Z
belum ditemukan maka dilakukan Proses 2.
b. Proses 2
Basis Pengetahuan
• Aturan 1 : IF ( Y dan S ) Maka Z
• Aturan 2 : IF ( X dan Q dan T ) Maka Y
• Aturan 3 : IF ( P Maka X )
• Aturan 4 : IF ( R Maka U)
125
c. Proses 3
Database (Fakta Awal)
P Q R S T Fakta Baru
Fakta dari proses 2 X, U, Y Z
X UY
Basis Pengetahuan
• Aturan 1 : IF ( Y dan S ) Maka Z
• Aturan 2 : IF ( X dan Q dan T ) Maka Y
• Aturan 3 : IF ( P Maka X )
• Aturan 4 : IF ( R Maka U)
126
balik jalan yang menuju ke kesimpulan tersebut (R. D. Irawan &
Fitiraldy, 2020).
Metode Langkah mundur (backward method) termasuk
teknik infrensi yang banyak digunakan dalam pembuatan
aplikasi system pakar, metode langlah maju juga sebagai teknik
inferensi yang dikendalikan oleh Tujuan (target). Ciri- ciri dari
metode Langkah mundur ( Backward method) yaitu:
Menggunakan pendekatan berbasis tujuan (goal-driven),
dimulai dari harapan apa yang akan terjadi (hipotesis) dan
kemudian mencari bukti yang mendukung (atau berlawanan)
dengan harapan kita. Biasanya diperlukan perumusan dan
pengujian hipotesis sementara. Pencocokan fakta atau
pernyataan dimulai dari bagian sebelah kanan (THEN) terlebih
dulu (Zufria & Santoso, 2021). Pendekatan berbasis tujuan,
dimulai dari ekspektasi apa yang diinginkan terjadi (hipotesis),
kemudian ditelusuri pada fakta-fakta yang mendukung
ekspektasi tersebut. Jika suatu aplikasi menghasilkan pohon
keputusan yang sempit dan cukup dalam, maka digunakan
metode langkah mundur. Urutan Langkah pengelusuran
mundur yaitu:
1. Menentukan tujuan yang diverifikasi apakah bernilai
BENAR atau SALAH
2. Melihat aturan yang mempunyai tujuan pada bagian
kesimpulan
3. Mengecek fakta dari aturan untuk menguji apakah aturan
tersebut sudah terpenuhi (bernilai BENAR).
4. Proses berlanjut sampai semua kemungkinan yang ada telah
diperiksa atau sampai aturan inisial yang diperiksa dengan
tujuan telah terpenuhi.
Proses pelacakan pada metode langkah mundur (backward
method) seperti yang ditunjukkan oleh gambar 12.1
127
Kesimpulan 1 Fakta 1
S
Fakta 2
o
Kesimpulan 2 Fakta 3 l
u
Kesimpulan 3 Fakta 4 s
i
Fakta 5
128
Fakta-fakta P, Q, R, S dan T adalah bernilai benar
Tujuannya adalah untuk menentukan apakah Z bernilai
benar
Langkah-Langkahnya sebagai berikut:
Basis Pengetahuan
• Aturan 1 : IF ( Y dan S ) Maka Z
• Aturan 2 : IF ( X dan Q dan T ) Maka Y
• Aturan 3 : IF ( P Maka X )
• Aturan 4 : IF ( R Maka U)
129
Proses 5
Basis Pengetahuan
• Aturan 1 : IF ( Y dan S ) Maka Z
• Aturan 2 : IF ( X dan Q dan T ) Maka Y
• Aturan 3 : IF ( P Maka X )
• Aturan 4 : IF ( R Maka U)
130
Bab 13. Teori Game
131
menentukan koalisi politik, bisnis, perilaku pengguna dan
sebagainya. Pengembangan teori game membuat banyak
ilmuwan di dunia tertarik dalam mengembangkannya. Sejumlah
teori game yang telah diusulkan, masing-masing berlaku untuk
situasi yang berbeda dan masing-masing dengan konsepnya
sendiri dengan hasilnya berupa sebuah solusi. Pada bab ini, akan
dijelaskan beberapa permainan sederhana, membahas berbagai
teori, dan menguraikan prinsip-prinsip yang mendasari teori
game. Konsep dan metode tambahan yang dapat digunakan untuk
menganalisis dan memecahkan masalah keputusan dibahas
dalam artikel optimasi yang dijelaskan pada bab sebelumnya.
132
3. Two-person variable-sum games. Permainan ini melibatkan
dua orang pemain atau berpasangan dengan melibatkan
strategi. Contoh game ini seperti permainan catur.
4. N-person games. Secara teoritis, permainan N-person games
melibatkan pemain lebih dari dua orang dan tidak berbeda
dari permainan non-kooperatif dua orang, dalam permainan
ini setiap pemain tidak diizinkan untuk berkomunikasi dan
membuat kesepakatan yang mengikat.
Sebagian juga menyebutkan bahwa klasifikasi game pada
sebuah perusahaan dibagi menjadi tiga yaitu;
a. Game Anak, termasuk game edukasi,
b. Game Keluarga: sebuah game yang dapat digunakan oleh
seluruh keluarga, termasuk orang dewasa yang bermain
bersama dengan anak kecil, dan
c. Game Dewasa: sebuah game yang memiliki metode
permainan yang relatif kompleks atau tema dewasa.
133
merupakan dimana strategi permainan dijelaskan dalam
bentuk tabel. Contoh permainan bentuk ekstensif seperti;
Solid Shapes, Pattern Block dan sebagainya. Sedangkan,
contoh permainan bentuk normal seperti; Game Matrix,
Penalty dan sebagainya.
b. Game Pindah Berurutan dan Game Pindah Simultan
Game pindah berurutan merupakan sebuah permainan yang
memiliki informasi ekstensif terkait strategi pemain lawan.
Sedangkan, game simultan memiliki informasi dan format
permainan secara detail. Contoh permainan pindah
berurutan seperti; Chess, Infinite Chess, Backgammon, Tic-
Tac-Toe. Sedangkan contoh permainan pindah simultan
seperti; Rock-Paper-Scissors dan sebagainya.
c. Game zero-sum, constant-sum, dan non-zero-sum
Dalam game zero-sum, constant-sum, dan non-zero-sum dapat
dilihat dari keuntungan dan kerugian dalam sebuah
permainan, jika jumlah keuntungan dan kerugian adalah nol,
disebut permainan jumlah- nol (Zero Sum Game). Atau jumlah
konstan (Constant Sum Game). Sebaliknya bila tidak sama
dengan nol, permainan disebut permainan bukan jumlah nol
(non-zero – sum game). Contoh permainan zero-sum,
constant-sum, dan non-zero-sum seperti; Rock-Paper
Scissors, Chicken Run, Prisonner’s Dilemma dan sebagainya.
d. Game yang simetris dan asimetris
Dalam permainan simentris setiap pemain menggunakan
strategi yang sama. Sedangkan, permainan asimentris hasil
ditentukan oleh strategi yang digunakan, bukan oleh para
pemainnya. Contoh permainan simentris seperti; Shape
Games, Mathsframe, Smashmaths dan sebagainya. Sedangkan
contoh permainan asimetris seperti; Left 4 Dead 2: Versus
Mode, Hidden in Plain Sight, Aliens Vs. Predator, Secret
Neighbor: Hello Neighbor, Keep Talking and Nobody
Explodes dan sebagainya.
134
13.4 Metode Game Teori
Game Teori merupakan suatu proses pemodelan interaksi
strategis antara dua atau lebih pemain dalam situasi yang berisi
seperangkat aturan dan hasil dan digunakan dalam berbagai
disiplin ilmu. Secara khusus, metode dan teknik penyelesaian
game teori yang banyak dibahas seperti :
1. Metode Nash Equilibrium
Metode ini merupakan solusi dari permainan non-kooperatif
mengenai dua atau lebih pemain di mana setiap pemain
diasumsikan memiliki pengetahuan tentang keseimbangan
atau taktik stabilitas pesaing lainnya, dan tidak ada pesaing
yang mendapatkan keuntungan apa pun dengan
memvariasikan hanya miliknya. Para ahli teori game
memanfaatkan konsep metode nash equilibrium untuk
meneliti konsekuensi dari kolaborasi taktis dari sejumlah
pengambil keputusan. Sejak konsep metode nash equilibrium
dikembangkan, para ahli di bidang teori permainan telah
mengungkapkan bahwa, metode ini menciptakan prakiraan
atau prediksi yang salah dalam beberapa situasi.
2. Teknik Pareto Optimality
Teknik pareto optimality pertama kali diperkenalkan oleh
vilfredo pareto. Dalam permainan pareto optimality, terdapat
strategi atau taktik yang meningkatkan keuntungan pemain
tanpa merugikan orang lain (Yeung et.al, 2006).
3. Teknik Values Technique
Teknik atau konsep solusi yang digunakan values technique
dalam teori permainan kooperatif. Hal ini memberikan
distribusi ke semua pemain dalam game. Distribusinya unik
dan nilai permainan tergantung pada beberapa karakteristik
abstrak yang diinginkan. Dengan kata sederhana, nilai
shapley memberikan kredit di antara sekelompok pemain
yang bekerja sama (Shapley, 1953).
135
4. Metode Maximin-Minimax
Metode ini digunakan di kedua permainan dengan strategi
murni dan campuran. Dalam kasus permainan dengan
strategi murni, pemain yang mengeksploitasi mencapai
strategi optimalnya berdasarkan prinsip maximin.
Sebaliknya, pemain yang semakin berkurang mencapai
strategi optimalnya berdasarkan prinsip minimax. Perbedaan
antara game strategi murni dan campuran adalah, game
strategi murni memiliki saddle point sedangkan game strategi
campuran tidak.
5. Metode Dominance
Metode ini dapat diterapkan pada kedua game dengan
strategi murni dan game dengan strategi campuran. Dalam
permainan yang melibatkan strategi murni, solusi
keseluruhan mudah ditemukan setelah metode dominance
diterapkan untuk mengurangi dimensi masalah. Dalam
permainan dengan strategi campuran, metode dominance
dapat digunakan untuk mengurangi dimensi masalah
sebelum menggunakan metode lain untuk menyelesaikan
masalah secara keseluruhan.
6. Metode Arithmetic
Metode arithmetic memberikan pendekatan yang dapat
dipahami untuk mendapatkan strategi optimal untuk setiap
pemain dalam matriks 2 2 tanpa saddle point. Jika matriks
hasil lebih panjang dari 2 2, maka Metode dominance akan
digunakan dan akhirnya prosedur aljabar untuk membantu
mendapatkan strategi optimal dan juga nilai permainan.
7. Metode Matrix
Metode ini memberikan cara untuk menemukan strategi
optimal untuk pemain dalam 2 2 permainan.
8. Metode Graphical
Metode graphical digunakan untuk menyelesaikan
permainan tanpa saddle points. Dibatasi hanya untuk
136
permainan matriks 2 x m atau n x 2 menurut Kumar dan
Reddy.
9. Metode Linear Programming.
Metode Linear Programming, juga disebut optimasi linier,
adalah metode yang digunakan untuk mencapai hasil terbaik
untuk suatu tujuan (seperti keuntungan maksimum atau
biaya minimum atau ukuran efektivitas lainnya) dalam
model matematika yang persyaratannya diwakili oleh
hubungan linier sesuai dengan Williams.
Tinjauan komprehensif tentang metode dan teknik yang
biasanya digunakan dalam teori game untuk menyelesaikan
permainan telah disajikan dengan pandangan demistifikasi dan
membuatnya mudah dipahami. Secara khusus, metode dan teknik
penyelesaian yang dibahas adalah metode nash equilibrium;
teknik pareto optimality; teknik values technique; metode
maximin-minimax; metode dominance; metode arithmetic;
metode matrix; metode graphical dan metode linear
programming. Diharapkan dapat memberikan kontribusi yang
signifikan terhadap pengetahuan dengan mengisi atau
mempersempit kesenjangan pengetahuan atau penelitian
literatur yang tidak memadai tentang tinjauan metode solusi dan
teknik untuk memecahkan permainan dalam teori game.
137
gamer juga terus meningkat. Menurut Newzoo, jumlah gamer di
seluruh dunia pada tahun 2021 naik 5,3% YoY, dengan sekitar 3
miliar gamer. Tidak hanya digunakan pada orientasi penggunaan
hiburan bagi masyarakat. Para ekonom sering menggunakan
teori game untuk memahami perilaku perusahaan oligopoli. Hal
ini dapat membantu untuk memprediksi kemungkinan hasil
ketika perusahaan terlibat dalam perilaku tertentu, seperti
penetapan harga dan kolusi. Teori game adalah studi tentang
model matematis dari interaksi strategis di antara agen rasional.
Ini memiliki aplikasi di semua bidang ilmu sosial, serta dalam
logika, ilmu sistem dan ilmu komputer. Jadi apa selanjutnya?
Secara budaya, game hanya akan terus menjadi arus utama.
Namun, inovasi teknologi apa yang membentuk masa depan dari
konsep dan model inovasi teori game itu sendiri, dan bagaimana
hal itu akan memengaruhi setiap aspek dimasa depan?
138
Daftar Pustaka
139
Heizer, B. Render & C. Munson. (2020). Operations Management :
Sustainability and Supply Chain Management, vol. 13e,
Uninted Kingdom: Pearson Education Limited.
W. J. Stevenson, (2018). Operation Management, New York:
McGraw-Hill Education, 2018.
S. A. Kumar and N. Suresh (2008). Production and Operation
Management (With SKill Development, Caselets and
Cases), New Delhi: New Age International (P) Limited,
Publishers, 2008.
Rusdiana. (2014). Manajemen Operasi, Bandung : CV Pustaka
Setia.
R. S. Russell and B. W. Taylor III. (2011). Operation Management:
Creating Value Along the Supply Chain, United States of
America: John Wiley and Son.
Bazaraa, M., Jarvis, J., & Sherali, H. (2009). Linear Programming
and Network Flows, 4th Ed. New York: Wiley.
Bhunia, A. K., Sahoo, L., & Shaikh, A. (2019). Advanced
optimization and operations research. Springer.
Bradley, S., Hax, A., & Magnanti, T. (1977). Applied Mathematical
Programming. Addison-Wesley.
Diwckar, U. (2003). Introduction to Applied Optimization,. Boston:
Kluwer Academic Publishers.
Hillier, F. S., & Lieberman, G. J. (2015). Introduction to Operations
Research, 10th Edition. New York, USA: McGraw-Hill
Education.
Nering, E., & Tucker, A. (1992). Linear Programming and Related
Problems. Boston: Academic Press.
Taha, H. A. (2017). Operations Research. An Introduction. Essex,
England: Pearson Education Limited.
Vanderbei, R. (2008). Linear Programming: Foundation and
Extensions, 3rd ed. New York: Springer.
Hillier, F.S. & Lieberman, G.J. (2021). Introduction to Operations
Research 11th ed. New York: Mc Graw Hill.
140
Bhunia, A. K., Sahoo, L., Shaikh, A.A. (2019). Advanced
optimization and operations research. Springer.
Taha, H.A. (2017). Operations Research: An Introduction 10th ed.
Loncon: Pearson.
Bazaraa, M., Jarvis, J., Sherali, H. (2009). Linear Programming and
Network Flows, 4th Ed. Wiley.
Bradley, S., Hax, A., Magnanti, T. (1977). Applied Mathematical
Programming. Addison-Wesley.
Diwckar, U. (2003). Introduction to Applied Optimization,
Kluwer Academic Publishers. 2003.
Nering, E.; Tucker, A. (1992). Linear Programming and Related
Problems. Academic Press.
Vanderbei, R. (2008). Linear Programming: Foundation and
Extensions, 3rd ed. Springer.
Permata, E. G., Khartika, P. (2016). Perancang Ulang Tata Letak
Pabrik dengan Membandingkan Metode Grafik dan
Computerized Relative Allocation of Facilities Technique
(Craft) untuk Meminimasi Ongkos Material Handling di
PT. Perindustrian dan Perdagangan Bangkinang : Jurnal
Teknik Industri, Vol. 2, No. 2.
Aini, S., Fikri, A. J., Sukandar, R. S. (2021). Optimalisasi
Keuntungan Produksi Makanan Menggunakan
Pemrograman Linier Melalui Metode Simpleks", Vol. 1
No. 1 : Jurnal Bayesian. Jurnal Ilmiah Statistika dan
Ekonometrika.
R. L. Rumahorbo and A. Mansyur, “Konsistensi metode
simpleks dalam menentukan nilai optimum,”
KARISMATIK, vol. 3, no. 1, pp. 36–46, 2017.
Yudihartanti, Y. (2006). Penyederhanaan Operasi Perhitungan
Pada Metode Simpleks : Progresif, Vol. 2, No. 2. 166 – 226.
Taha, Hamdy A. (1987). Operation Research : On Introduction 4th
ed., Mac Millan Publishing, New York.
141
Murty, Katta G . (1983). Linear Programming. John Wiley and
Sons, New York.
M. Yazdani,et al. (2016). Sensitivity Analysis in MADM
Methods: Application of Material Selection.
Inzinerine Ekonomika-Engineering Economics. 27(4),
382–391.
Tenawaheng, P. P. R. C. U. & Wiguna, I P. A. (2021). Analisis
Sensitivitas Investasi Apartemen Begawan : JURNAL
TEKNIK ITS. Vol. 10, No. 1.
Taha, H. A. (2007). Operation Research An Introduction. Edisi ke-
8. Upper Saddle River, New Jersey.
Irwan, Hery., Yuniral, H., (2016). Optimasi Penjadwalan Produksi
Dengan Metode Transportasi : Profisiensi. Vol.4 No.2 :
79-89.
Taylor III, Bernard W., (2013). Introduction to Management
Science : Eight Edition, International Edition, Prentice
Hall, Pearson Education, Inc., Upper Saddle River, New
Jersey.
Harsono, S., & Sriyanto, D. (2016). Riset Operasi. STIE Graha
Kirana Medan, 20 (7-8), 75-95.
Dimyati, T.T., & Dimyati, A. (1999). Operations Research: Model-
model Pengambilan Keputusan. Sinar Baru, 33 (5), 128-
160.
Ariyanti, D. M., Agus, F., Khairina, D. M. (2015). Sistem
Pendukung Keputusan untuk Seleksi Penerimaan dan
Penentuan Posisi Karyawan : Jurnal Informatika
Mulawarman, Vol. 10 No. 1.
Oktovianny. L. (2008). Sistem Pendukung Keputusan.
Rizani,Herman, R. (8 Novermber 2009). Sistem Pendukung
Keputusan. Diakses dari
http://www.kuliahstmikindo.co.cc/2009/10/sistem-
pendukungkeputusan.
142
Kusumadewi, S,, Hartati, S., Harjoko, A., Wardoyo, R. (2006).
Fuzzy Multi Attribute Decision Making (FUZZY MADM).
Yogyakarta : Graha Ilmu.
Sembiring, M. A. (2017). Penerapan Metode Simple Additive
Weighting Sebagai Strategi Pembinaan Kecerdasan Anak:
JURTEKSI (Jurnal Teknologi dan Sistem Informasi), Vol.
IV No. 1. hlm. 65 – 70.
Wulan, ER. (2019). Manajemen Proyek dengan PERT atau CPM.
Bandung: Bitread Publishing.
Hiller, F.S. (1990). Pengantar Riset Operasi. Jakarta : Erlangga.
Heizer, J., Barry, R. (2005). Operations Management : Manajemen
Operasi. Jakarta: Salemba Empat.
Herjanto, E. (1999). Manajemen Produksi dan Operasi. Jakarta :
Grasindo.
Maharany, L., Fajarwati. (2006). Analisis Optimasi Percepatan
Durasi Proyek dengan Metode Least Cost Analysis. Utilitas,
Vol. 14, No. 1, h.113-130.
Dimyati, TT.,Dimyati, A. (2018). Operations Research : Model-
model Pengambilan Keputusan. Bandung : Sinar Baru
Algensindo.
Karlin, S., & Taylor, H.E. (2012). A First Course in Stochastic
Processes. Academic Press
Oliver, K. (2009). Probability Theory and Stochastic Processes
With Applications Paperback. Overseas Press India
Private Limited: New Delhi.
Meyn and Tweedie (1993) Markov Chains and Stochastic Stability.
London: Springer-Verlag ISBN 0-387-19832-6.
Barry Render (2006). Quantitative Analysis for Management. Edisi
9.
Pearson Education, Inc: New Jersey.
Baldi, P., & Brunak, S. (1998). Bioinformatics – The Machine
Learning Approach. Massachusetts Institute of
Technology.
143
Franzese, M and Iuliano, A. (2018). Hidden Markov Models.
Elsevier.
Viterbi, A.J., (1967). Error bounds for convolutional codes and an
asymptotically optimal decoding algorithm. In: IEEE
Transactions on Information Theory, vol. 13, pp. 260–
269.
Moore, J. W., & Quintero, L. M. (2019). Comparing forward and
backward chaining in teaching Olympic weightlifting.
Journal of Applied Behavior Analysis, 52(1).
https://doi.org/10.1002/jaba.517
144
Biodata Penulis
Lulut Alfaris
Penulis merupakan lulusan dari SMAN 1
Genteng Banyuwangi tahun 2005, selepas SMA
diterima melalui jalur Penelusuran Minat dan
Kemampuan (PMDK) di S1 Teknik Kelautan
Institut Teknologi Sepuluh Nopember (ITS)
Surabaya. Selanjutnya kuliah di jurusan yang
sama di ITS., jurusan Teknik Kelautan.
Saat ini bekerja sebagai dosen di Program Studi Teknologi Kelautan,
Politeknik Kelautan dan Perikanan Pangandaran, Perguruan Tinggi
dibawah naungan Kementerian Kelautan dan Perikanan (KKP).
Penulis mengampu mata kuliah Matematika Teknik, Oseanografi,
Perancangan Struktur Bangunan Pantai dan Termodinamika. Penulis
mempunyai interest penelitian dibidang dibidang analis numerik,
pemodelan tsunami. Saat ini berdomisili di Kabupaten Pangandaran,
Provinsi Jawa Barat.
Email Penulis: lulut.alfaris@kkp.go.id
Dudih Gustian
Lahir di Sukabumi, Jawa Barat, 05 Agustus
1980. Menjadi anggota Aptikom Jabar pada
tahun 2016 sampai saat ini, dan aktif sebagai
pengasuh data mining grup disalah satu
jejaring sosial. Menjadi Kepala Program Studi
Sistem Informasi Universitas Nusa Putra
Sukabumi pada tahun 2016 - 2020 dan saat ini
menjadi Divisi Penelitian dan Publikasi LPPM
di Universitas yang sama.
Bidang kajian yang diminati ialah kajian data mining, Kecerdasan
Buatan, Statistik, Riset Operasi.
145
Selain aktif sebagai penulis dan Dosen, aktif pula dikeanggotaan
Aptikom Jabar, PII Kab. Sukabumi juga juga aktif sebagai peneliti
khususnya dalam bidang data mining sampai saat ini. Selain itu aktif
menjadi Reviewer di beberapa jurnal Nasional dan Internasional
bidang computer, serta Editor di beberapa Penerbit Nasional dan
Pimpinan di salah satu penerbit Nasional. Beberapa tulisan yang telah
ditulisnya melalui blog pribadi yang bisa dikunjungi :
http://catatandudihgustian. blogspot.com/.
146
Ikhsan Romli, S.Si, M.Sc.
Penulis yang biasa akrab dipanggil Ikhsan
terlahir di Nganjuk, 13 Mei 1986. Sekarang
bekerja sebagai dosen di Teknik Industri,
Universitas Pelita Bangsa, Bekasi. Ia lulus S1
Matematika ITS (Institut Teknologi Sepuluh
Nopember) Surabaya pada tahun 2009 dan
mendapat Master of Science dari Universiti
Teknikal Malaysia Melaka (UTeM), tahun 2013
di bidang optimization.
Semasa menempuh S2 di Malaysia, ia bekerja sebagai peneliti di UTeM
Research Center yang didanai oleh FRGS (Fundamental Research Grant
Scheme) Malaysia dengan menghasilkan dua publikasi internasional
yaitu Symmetric matrices properties to duality in linear programming
dan Nonlinear Thermal Expansion Model for SiC/Al. Sekarang Ia sedang
menempuh program Doktoral di Teknik dan Manajemen Industri ITB
dengan riset yang sedang dikerjakan adalah Prognostics and Health
Management System untuk Baterai pada Electric Vehicle. Pembaca bisa
menghubungi ke alamat email berikut.
Ikhsan.romli@pelitabangsa.ac.id. Selama berkarir menjadi dosen,
Penulis juga pernah mendapatkan hibah penelitian dari DRPM
Kemendibudristek antara lain:
1. Skema Penelitian Dosen Pemula (PDP) dengan judul “Optimasi
Penjadwalan Mata Kuliah Di Prodi Teknik Informatika STT Pelita
Bangsa Dengan Menggunakan Algoritma Genetika”. (2017-
2018)Skema Penelitian Dosen Pemula (PDP) dengan judul
“Penerapan Algoritma Naive Bayes dalam Menentukan Merek Mobil
Paling Laku”. (2018-2019).
2. Skema Penelitian Dosen Pemula (PDP) dengan judul “Klasifikasi
Data Karyawan Untuk Menentukan Jadwal Overtime Perusahaan
Menggunakan Algoritma C4.5”. (2019-2020).
3. Skema Penelitian Dosen Pemula (PDP) dengan judul “Implementasi
Internet Of Things Dalam Monitoring Pembangkit Listrik Tenaga
Surya”. (2020-2021).
Korespondensi:
Email: ikhsan.romli@pelitabangsa.ac.id, HP: 0819453495
147
Anggi Yhurinda Perdana Putri, S.Kom.,
M.Kom
Lahir di Banyuwangi, 16 Mei 1993. Saat ini
berprofesi sebagai dosen Sistem Informasi di
Institut Teknologi Adhi Tama Surabaya sejak
tahun 2018. Lulus Pendidikan S1 jurusan
Teknik Informatika Universitas Brawijaya
pada tahun 2016, dan melanjutkan Pendidikan
S2 jurusan Sistem Informasi Institut Teknologi
Sepuluh Nopember serta lulus pada tahun
2018.
Bidang Penelitian penulis diantaranya: Data Mining, Riset Operasi,
Information Retrieval, Kecerdasan Buatan, Manajemen SIstem
Informasi.
148
Nur Syamsiyah
Ketertarikan penulis terhadap ilmu komputer
dimulai pada tahun 1993 silam. Hal tersebut
membuat penulis memilih untuk masuk ke
Sekolah Tinggi Manajemen dan Informatika
Gunadarma, yang sekarang berganti menjadi
Universitas Gunadarma, dengan memilih
Jurusan Teknik Informatika Strata satu dan
berhasil lulus pada tahun 1997.
Dua tahun kemudian penulis pernah mengenyam pendidkan Strata dua
di Universitas Gunadarma jurusan Sistem Informasi Bisnis. Penulis
kemudian melanjutkan pendidikan ke jenjang Magister, dan berhasil
menyelesaikan studinya pada tahun 2011 di Magister Teknologi
Informasi Universitas Indonesia. Penulis memiliki kepakaran dibidang
Rekayasa Perangkat Lunak dan Pengembangan Sistem Informasi.
Penulis berkarir sebagai dosen sejak tahun 1999 di berbagai perguruan
tinggi ilmu komputer, dan menjadi Dosen Tetap di Universitas Darma
Persada sejak 2003 sampai dengan sekarang. Dan untuk mewujudkan
karir sebagai dosen profesional, penulis pun aktif sebagai peneliti
dibidang kepakarannya tersebut. Selain peneliti, penulis juga aktif
menulis buku dengan harapan dapat memberikan kontribusi positif
bagi bangsa dan negara yang sangat tercinta ini.
Yuniansyah
Mengenal Ilmu Komputer Pada Tahun
1995 dimana penulis mendapatkan
kesempatan melanjutkan pendidikan
Strata satu di Universitas Bina Darma
Palembang dan selesai pada tahun 1999.
Pada saat kuliah juga selama 2 tahun
(1997-1999).
Pada awal tahun 2002 melanjutkan pendidikan di Program
Studi Magister Ilmu Komputer Fakultas Ilmu Matematika dan
Ilmu Pengetahuan Alam (F-MIPA) Universitas Gadjah Mada –
Yogyakarta dan selesai pada akhir tahun 2013.
149
Selama di Yogyakarta juga penulis berkesempatan menjadi
Dosen di salah satu Perguruan Tinggi yang ada di Yogyakarta.
Selepas meraih gelar Magister Komputer penulis menjadi
dosen di beberapa Perguruan Tinggi swasta dan Universitas
Negeri di Kota Palembang. Penulis juga pernah menjadi Dosen
di Kota Lubuk Linggau, Batam, dan Duri. Saat ini penulis
menjadi dosen praktisi di salah satu perguruan tinggi ternama
di Kota Pelembang Penulis ini dapat dihubungi melalui email:
yuniansyah.mr@gmail.com serta dan dapat juga melalui WA /
Telegram : 0812 3516 8181
150
terakreditasi. Penulis juga aktif sebagai kontributor artikel di TIMES
Indonesia. Email: nurulaziza007@gmail.com
Najirah Umar
Sebagai Dosen Kopertis Wilayah IX yang
dipekerjakan pada STMIK Handayani, menjadi
Pengurus APTIKOM Wilayah Sulsel 2016
sampai saat ini, sebagai dosen pengampuh
matakuliah Teknik Riset Operasi, Rekayasa
Perangkat Lunak dan aktif sebagai peneliti
yang didanai internal PT, Maupun DP2M
Kemenristek DIKTI dan Menjadi Riviewer
Jurnal Nasional.
151
Muhammad Wali
Lahir di Ujung Barat Indonesia Kota Sabang
Tahun 1987. Pada tahun 2016 menjadi dosen di
Perguruan Tinggi STMIK Indonesia Banda Aceh,
dan menjadi Ketua LPPM AMIK Indonesia
(2018-2022) dan STMIK Indonesia Banda Aceh
(2022) sampai sekarang. Selain aktif di dunia
penelitian, juga aktif pada lembaga dan
komunitas khususnya pada bidang teknologi
komputer.
Bidang yang diminati adalah; Data Science, Software Developer, Expert
System, Mobile Developer, dan Education Technology. Kegiatan lain juga
ikut berpartisipasi dalam kegiatan pengabdian dengan fokus
memberikan kontribusi pada penggunaan teknologi sebagai upaya
peningkatan ekonomi lokal dan nasional dengan berkolaborasi dari
berbagai Perguruan Tinggi di Indonesia.
152
153
1